專利名稱：近紅外檢測花生中氨基酸含量的方法
技術領域：
本發明涉及一種檢測花生中氨基酸的方法，尤其是涉及一種利用近紅外光譜檢測花生中氨基酸含量的方法。
背景技術：
花生中蛋白質含量為24% 36%，含有人體必需的八種氨基酸，其消化系數高達 90% ;隨著人們生活水平的提高，花生育種研究已從單純重視產量，轉化為產量和品質兼顧，并不斷重視營養和特殊花生成分的功效。在花生品質分析中，氨基酸含量測定通常采用氨基酸自動分析儀或高效液相色譜儀，但兩種方式分析速度慢，成本高，不適于大批量樣品的測定和育種材料的篩選。因此，需要找到一種快速和準確的花生氨基酸品質檢測方法，為花生氨基酸含量的評價提供依據。無損檢測技術是一門新興的綜合性應用學科，在不破壞或損壞被檢測對象的前提下，利用樣品內部結構存在所引起的對熱、聲、光、電、磁等反應的變化，來對樣品結構組成做出判斷和評價。根據無損檢測原理的不同，檢測方法大致可分為光學特性分析法、聲學特性分析法、機器視覺技術檢測方法、電學特性分析法、核磁共振檢測技術與X射線技術等。近年來，近紅外光譜技術在農產品無損檢測尤其是農作物的品質分析和農藥殘留等方面的應用十分廣泛。國內外還未見近紅外技術在花生氨基酸含量分析測試方法或建立相關模型方面的報道。

發明內容
本發明的目的是提供一種近紅外檢測花生中氨基酸含量的方法。本發明提供的一種檢測花生中氨基酸含量的方法，包括如下步驟I)對已知氨基酸含量的花生標準品進行近紅外光譜掃描，獲得所述已知氨基酸含量的花生標準品在近紅外波長的所有光譜信息，得到校正集樣本光譜的計算平均值；2)對所述步驟I)所得校正集樣本光譜進行預處理；3)將所述步驟2)預處理后的校正集樣本光譜中的信息數據進行主成分分析，提取特征信息數據；4)校正模型的建立以所述花生標準品的氨基酸含量的化學測定值為校正值，將所述步驟3)所得特征信息數據作為自變量，所述校正值作為因變量，用化學計量學多元校正算法建立所述自變量與所述因變量之間的校正模型(也即氨基酸含量與近紅外光譜特征信息數據之間的映射關系；);5)未知氨基酸含量的花生樣品的測定將所述步驟I)所述已知氨基酸含量的花生標準品替換為待測花生樣品，重復所述步驟I)至步驟3)，將所述步驟3)所得特征信息數據輸入所述步驟4)的校正模型，得到所述待測花生樣品中的氨基酸含量。
上述方法所述步驟I)中，所述近紅外波長為950-1650nm。所述近紅外光譜掃描步驟中，掃描方式為連續波長近紅外掃描或離散波長近紅外掃描。所述步驟2)預處理步驟中，預處理的方法為多元散射校正方法、平滑方法和求導方法中的至少一種。所述求導方法為一階求導或二階求導方法。所述步驟3)主成分分析步驟包括如下步驟將所述步驟2)預處理后的校正集樣本光譜中的信息數據變換到2-10個互不相關的變量中；上述2-10個互不相關的變量含有原來多個相關的光譜> 90%的信息。所述步驟I)所述掃描方式為連續波長近紅外掃描時，所述化學計量學多元校正算法為偏最小二乘法(PLS)、主成分回歸(PCR)或人工神經網絡算法(ANN);所述掃描方式為離散波長近紅外掃描時，所述化學計量學多元校正算法為逐步回歸算法或多元線性回歸算法(MLR)。所述步驟4)中，所述花生標準品的氨基酸含量的化學測定值是由氨基酸自動分析儀測定而得。所述氨基酸選自天門冬氨酸、蘇氨酸、甘氨酸、谷氨酸、絲氨酸、亮氨酸、精氨酸和半胱氨酸中的至少一種。另外，可按照如下步驟對步驟4)所得校正模型進行驗證將所述步驟I)所述已知氨基酸含量的花生標準品替換為一組已知氨基酸含量的花生樣品，重復所述步驟I)至步驟3)后，利用所述步驟4)所述校正模型得到所述已知氨基酸含量的花生樣品中氨基酸含量的計算值，計算所述計算值與實際值的相關系數和方差，評價所述步驟4)所得校正模型的可靠性。在所述步驟I)之前，亦不需要對花生標準品或待測花生樣品進行任何預處理。本發明收集了一批有代表性的花生樣品例如白沙1016、黑花生、白花生、五彩花生、中花8號、花育20號、開農30號等。測定樣品中的氨基酸含量，以這批樣品作為建立數學模型的校正集建立數學模型，提出了一種利用花生的近紅外光譜中包含樣品的主要成分及測量的信息測定其中氨基酸含量的方法，該方法應用化學計量學方法對花生近紅外光譜和花生中氨基酸含量進行關聯研究，可以確定這兩者之間的定性或定量關系，即校正模型。 建立校正模型后，只要測量出未知樣品的近紅外光譜，根據校正模型就可以確定花生的各個氨基酸含量。該方法具有分析速度快、分析效率高，不使用任何化學試劑，分析成本低，且對環境不造成任何污染的優點。


圖I為未經預處理的花生樣品光譜圖；圖2為校正集和驗證集的實際值和計算值的關系散點圖。
具體實施例方式下面結合具體實施例對本發明作進一步闡述，但本發明并不限于以下實施例。所述方法如無特別說明均為常規方法。所述原料如無特別說明均能從公開商業途徑而得。 下述實施例每步驟的數據處理均由挪威CAMO公司出售的化學計量軟件The Unscrambler 9. 7中完成。
實施例II)取2011年收獲的花生樣品作為標準品，140個樣品(符合花生群體的常態分布規律)；在251下開啟近紅外光譜儀預熱30min，取60g花生樣品放于旋轉樣品杯中 (直徑75mm，深度25mm);采用連續波長近紅外掃描中的漫反射模式采集光譜，掃描譜區 950-1650nm，分辨率5nm，采集樣品的吸收光譜；為了克服樣品粒度差異引起的光譜漂移， 減少誤差，每個樣品重復裝樣3次，得到校正集樣本光譜，將該校正集樣本光譜的計算平均值(圖I)存于計算機軟件中，備下一步構建氨基酸含量校正模型使用；2)近紅外光譜預處理采用一階求導結合平滑處理方法對步驟I得到的校正集樣本光譜進行預處理；3)將步驟2)預處理后的校正集樣本光譜中的信息數據變換到主成分數為2-10個互不相關的變量中，完成特征信息數據的提取，花生中8種不同氨基酸對應的主成分數分別為天門冬氨酸5、蘇氨酸9、甘氨酸4、谷氨酸8、絲氨酸6、亮氨酸6、精氨酸8、半胱氨酸7。4)校正模型的建立以該花生標準品的氨基酸含量的化學測定值為校正值，將步驟3)所得特征信息數據作為自變量，校正值作為因變量，用偏最小二乘法建立自變量與因變量之間的校正模型(也即氨基酸含量與近紅外光譜特征信息數據之間的映射關系)，所得模型結果如表I所示；表I、花生氨基酸定標模型參數
權利要求
1.一種檢測花生中氨基酸含量的方法，包括如下步驟1)對已知氨基酸含量的花生標準品進行近紅外光譜掃描，獲得所述已知氨基酸含量的花生標準品在近紅外波長的所有光譜信息，得到校正集樣本光譜的計算平均值；2)對所述步驟I)所得校正集樣本光譜進行預處理；3)將所述步驟2)預處理后的校正集樣本光譜中的信息數據進行主成分分析，提取特征信息數據；4)以所述花生標準品的氨基酸含量的化學測定值為校正值，將所述步驟3)所得特征信息數據作為自變量，所述校正值作為因變量，用化學計量學多元校正算法建立所述自變量與所述因變量之間的校正模型；5)將所述步驟I)所述已知氨基酸含量的花生標準品替換為待測花生樣品，重復所述步驟I)至步驟3)，將所述步驟3)所得特征信息數據輸入所述步驟4)的校正模型，得到所述待測花生樣品中的氨基酸含量。
2.根據權利要求I所述的方法，其特征在于所述步驟I)中，所述近紅外波長為 950_1650nm。
3.根據權利要求I或2所述的方法，其特征在于所述步驟I)中，所述近紅外光譜掃描步驟中，掃描方式為連續波長近紅外掃描或離散波長近紅外掃描。
4.根據權利要求1-3任一所述的方法，其特征在于所述步驟2)預處理步驟中，預處理的方法為多元散射校正方法、平滑方法和求導方法中的至少一種。
5.根據權利要求4所述的方法，其特征在于所述求導方法為一階求導或二階求導方法。
6.根據權利要求1-5任一所述的方法，其特征在于所述步驟3)所述主成分分析步驟包括將所述步驟2)預處理后的校正集樣本光譜中的信息數據變換到2-10個互不相關的變量。
7.根據權利要求1-6任一所述的方法，其特征在于所述步驟I)所述掃描方式為連續波長近紅外掃描時，所述化學計量學多元校正算法為偏最小二乘法、主成分回歸或人工神經網絡算法；所述掃描方式為離散波長近紅外掃描時，所述化學計量學多元校正算法為逐步回歸算法或多元線性回歸算法。
8.根據權利要求1-7任一所述的方法，其特征在于所述步驟4)中，所述花生標準品的氨基酸含量的化學測定值是由氨基酸自動分析儀測定而得。
9.根據權利要求1-8任一所述的方法，其特征在于所述氨基酸選自天門冬氨酸、蘇氨酸、甘氨酸、谷氨酸、絲氨酸、亮氨酸、精氨酸和半胱氨酸中的至少一種。
全文摘要
本發明公開了一種檢測花生中氨基酸含量的方法。該方法，包括1)校正集樣本光譜的建立；2)校正集樣本光譜預處理；3)提取校正集樣本光譜的特征信息數據；4)校正模型的建立；5)待測樣品分析。將待測樣品的近紅外光譜經預處理，提取特征信息輸入校正模型，即可計算得到花生樣品中的氨基酸含量。本發明具有分析速度快、分析效率高、不使用任何化學試劑、分析成本低、且對環境不造成任何污染等優點，可為花生品質分析、控制花生品質及制品品質提供可靠依據。
文檔編號G01N21/35GK102590129SQ20121000742
公開日2012年7月18日 申請日期2012年1月11日 優先權日2012年1月11日
發明者劉麗, 劉紅芝, 杜寅, 王麗, 王強 申請人:中國農業科學院農產品加工研究所