專利名稱：近紅外檢測花生中蛋白質(zhì)組分含量的方法
技術(shù)領(lǐng)域：
本發(fā)明涉及一種檢測花生中蛋白質(zhì)組分含量的方法，尤其是涉及一種利用近紅外光譜檢測花生中蛋白質(zhì)組分含量的方法。
背景技術(shù)：
花生中蛋白質(zhì)含量為24% 36%，包括花生球蛋白和伴花生球蛋白(伴花生球蛋白I和伴花生球蛋白II)兩種組分，各種組分在花生蛋白質(zhì)的功能性質(zhì)中起到非常重要的作用；隨著人們生活水平的提高，花生育種研究已從單純重視產(chǎn)量，轉(zhuǎn)化為產(chǎn)量和品質(zhì)兼顧，并不斷重視營養(yǎng)和蛋白質(zhì)組分的功能性質(zhì)。在花生品質(zhì)分析中，花生蛋白質(zhì)組分含量測定通常采用聚丙烯酰胺凝膠電泳(SDS-PAGE)，但該種方式分析速度慢，需要對(duì)花生仁脫脂、提取出蛋白質(zhì)后再進(jìn)行SDS-PAGE及光密度分析方可計(jì)算蛋白質(zhì)組分含量，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(zhǔn)確的花生蛋白質(zhì)組分含量檢測 方法，為花生蛋白質(zhì)組分含量的評(píng)價(jià)提供依據(jù)。無損檢測技術(shù)是一門新興的綜合性應(yīng)用學(xué)科，在不破壞或損壞被檢測對(duì)象的前提下，利用樣品內(nèi)部結(jié)構(gòu)存在所引起的對(duì)熱、聲、光、電、磁等反應(yīng)的變化，來對(duì)樣品結(jié)構(gòu)組成做出判斷和評(píng)價(jià)。根據(jù)無損檢測原理的不同，檢測方法大致可分為光學(xué)特性分析法、聲學(xué)特性分析法、機(jī)器視覺技術(shù)檢測方法、電學(xué)特性分析法、核磁共振檢測技術(shù)與X射線技術(shù)等。近年來，近紅外光譜技術(shù)在農(nóng)產(chǎn)品無損檢測尤其是農(nóng)作物的品質(zhì)分析和農(nóng)藥殘留等方面的應(yīng)用十分廣泛。國內(nèi)外還未見近紅外技術(shù)在花生蛋白質(zhì)組分含量分析測試方法或建立相關(guān)模型方面的報(bào)道。
發(fā)明內(nèi)容
本發(fā)明的目的是提供一種近紅外檢測花生中蛋白質(zhì)組分含量的方法。本發(fā)明提供的一種檢測花生中蛋白質(zhì)組分含量的方法，包括如下步驟I)對(duì)已知花生蛋白質(zhì)組分含量的花生標(biāo)準(zhǔn)品進(jìn)行近紅外光譜掃描，獲得所述已知花生蛋白質(zhì)組分含量的花生標(biāo)準(zhǔn)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(jì)算平均值；2 )對(duì)所述步驟I)所得校正集樣本光譜進(jìn)行預(yù)處理；3)將所述步驟2)預(yù)處理后的校正集樣本光譜中的信息數(shù)據(jù)進(jìn)行主成分分析，提取特征信息數(shù)據(jù)；4)校正模型的建立以所述花生標(biāo)準(zhǔn)品的花生蛋白質(zhì)組分含量的化學(xué)測定值為校正值，將所述步驟3)所得特征信息數(shù)據(jù)作為自變量，所述校正值作為因變量，用化學(xué)計(jì)量學(xué)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(也即花生蛋白質(zhì)組分含量與近紅外光譜特征信息數(shù)據(jù)之間的映射關(guān)系；)；5)未知花生蛋白質(zhì)組分含量的花生樣品的測定
將所述步驟I)所述已知花生蛋白質(zhì)組分含量的花生標(biāo)準(zhǔn)品替換為待測花生樣品，重復(fù)所述步驟I)至步驟3)，將所述步驟3)所得特征信息數(shù)據(jù)輸入所述步驟4)的校正模型，得到所述待測花生樣品中的花生蛋白質(zhì)組分含量。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(xù)波長近紅外掃描或離散波長近紅外掃描。所述光譜信息為吸光度。所述步驟2)預(yù)處理步驟中，預(yù)處理的方法為多元散射校正方法、平滑方法和求導(dǎo)方法中的至少一種。所述求導(dǎo)方法為一階求導(dǎo)或二階求導(dǎo)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(yù)處理后的校正集樣本光譜中的信息數(shù)據(jù)變換到2-10個(gè)互不相關(guān)的變量中；上述2-10個(gè)互不相關(guān)的變量含有原來多個(gè)相關(guān)的光譜> 90%的信息。所述步驟I)所述掃描方式為連續(xù)波長近紅外掃描時(shí)，所述化學(xué)計(jì)量學(xué)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(jīng)網(wǎng)絡(luò)算法(ANN);所述掃描方式為 離散波長近紅外掃描時(shí)，所述化學(xué)計(jì)量學(xué)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(biāo)準(zhǔn)品的花生蛋白質(zhì)組分含量的化學(xué)測定值是由SDS-PAGE (聚丙烯酰氨凝膠電泳)和光密度分析儀測定而得。所述花生蛋白質(zhì)組分選自花生球蛋白、伴花生球蛋白和伴花生球蛋白I中的至少一種。另外，可按照如下步驟對(duì)步驟4)所得校正模型進(jìn)行驗(yàn)證將所述步驟I)所述已知花生組分含量的花生標(biāo)準(zhǔn)品替換為一組已知花生組分含量的花生樣品，重復(fù)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花生組分含量的花生樣品中花生組分含量的計(jì)算值，計(jì)算所述計(jì)算值與實(shí)際值的相關(guān)系數(shù)和方差，評(píng)價(jià)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(duì)花生標(biāo)準(zhǔn)品或待測花生樣品進(jìn)行任何預(yù)處理。本發(fā)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(hào)、花育20號(hào)、開農(nóng)30號(hào)等。測定樣品中的蛋白質(zhì)組分含量，以這批樣品作為建立數(shù)學(xué)模型的校正集建立數(shù)學(xué)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蛋白質(zhì)組分含量的方法，該方法應(yīng)用化學(xué)計(jì)量學(xué)方法對(duì)花生近紅外光譜和花生中蛋白質(zhì)組分含量進(jìn)行關(guān)聯(lián)研究，可以確定這兩者之間的定性或定量關(guān)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(jù)校正模型就可以確定花生的各個(gè)蛋白質(zhì)組分含量。該方法具有分析速度快、分析效率高，不使用任何化學(xué)試劑，分析成本低，且對(duì)環(huán)境不造成任何污染的優(yōu)點(diǎn)。
圖I為未經(jīng)預(yù)處理的花生樣品光譜圖；圖2為校正集和驗(yàn)證集的計(jì)算值和測定值的關(guān)系散點(diǎn)圖。
具體實(shí)施例方式下面結(jié)合具體實(shí)施例對(duì)本發(fā)明作進(jìn)一步闡述，但本發(fā)明并不限于以下實(shí)施例。所述方法如無特別說明均為常規(guī)方法。所述原料如無特別說明均能從公開商業(yè)途徑而得。下述實(shí)施例每步驟的數(shù)據(jù)處理均由挪威CAMO公司出售的化學(xué)計(jì)量軟件The Unscrambler
9.7中完成。實(shí)施例II)取當(dāng)年收獲的花生樣品作為標(biāo)準(zhǔn)品，141個(gè)樣品(符合花生群體的常態(tài)分布規(guī)律)；在25 °C下開啟近紅外光譜儀預(yù)熱30min，取60g花生樣品放于旋轉(zhuǎn)樣品杯中(直徑75mm，深度25mm);采用連續(xù)波長近紅外掃描中的漫反射模式采集光譜，掃描譜區(qū)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(gè)樣品重復(fù)裝樣3次，得到校正集樣本光譜，取校正集樣本光譜中的吸光度作為光譜信息數(shù)據(jù)，將該校正集樣本光譜的計(jì)算平均值(圖I)存于計(jì)算機(jī)軟件中，備下一步構(gòu)建花生蛋白質(zhì)組分含量校正模型使用；
2)近紅外光譜預(yù)處理采用一階求導(dǎo)結(jié)合平滑處理方法對(duì)步驟I得到的校正集樣本光譜進(jìn)行預(yù)處理；3)將步驟2)預(yù)處理后的校正集樣本光譜中的信息數(shù)據(jù)變換到主成分?jǐn)?shù)為2-10個(gè)互不相關(guān)的變量中，完成特征信息數(shù)據(jù)的提取，花生中2種不同蛋白質(zhì)組分對(duì)應(yīng)的主成分?jǐn)?shù)分別為花生球蛋白7、伴花生球蛋白9、伴花生球蛋白I :6。4)校正模型的建立用SDS-PAGE (聚丙烯酰氨凝膠電泳)和光密度分析儀測定花生標(biāo)準(zhǔn)品的蛋白質(zhì)組分含量，得到化學(xué)測定值，以該值為校正值，將步驟3)所得特征信息數(shù)據(jù)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(也即蛋白質(zhì)組分含量與近紅外光譜特征信息數(shù)據(jù)之間的映射關(guān)系)，所得模型結(jié)果如表I所示；表I、花生蛋白質(zhì)組分定標(biāo)模型參數(shù)
權(quán)利要求
1.一種檢測花生中蛋白質(zhì)組分含量的方法，包括如下步驟 1)對(duì)已知蛋白質(zhì)組分含量的花生標(biāo)準(zhǔn)品進(jìn)行近紅外光譜掃描，獲得所述已知蛋白質(zhì)組分含量的花生標(biāo)準(zhǔn)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(jì)算平均值； 2)對(duì)所述步驟I)所得校正集樣本光譜進(jìn)行預(yù)處理； 3)將所述步驟2)預(yù)處理后的校正集樣本光譜中的信息數(shù)據(jù)進(jìn)行主成分分析，提取特征信息數(shù)據(jù)； 4)以所述花生標(biāo)準(zhǔn)品的蛋白質(zhì)組分含量的化學(xué)測定值為校正值，將所述步驟3)所得特征信息數(shù)據(jù)作為自變量，所述校正值作為因變量，用化學(xué)計(jì)量學(xué)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)所述已知蛋白質(zhì)組分含量的花生標(biāo)準(zhǔn)品替換為待測花生樣品，重復(fù)所述步驟I)至步驟3)，將所述步驟3)所得特征信息數(shù)據(jù)輸入所述步驟4)的校正模型，得到所述待測花生樣品中的蛋白質(zhì)組分含量。
2.根據(jù)權(quán)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(jù)權(quán)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(xù)波長近紅外掃描或離散波長近紅外掃描。
4.根據(jù)權(quán)利要求1-3任一所述的方法，其特征在于所述步驟2)預(yù)處理步驟中，預(yù)處理的方法為多元散射校正方法、平滑方法和求導(dǎo)方法中的至少一種。
5.根據(jù)權(quán)利要求4所述的方法，其特征在于所述求導(dǎo)方法為一階求導(dǎo)或二階求導(dǎo)方法。
6.根據(jù)權(quán)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(yù)處理后的校正集樣本光譜中的信息數(shù)據(jù)變換到2-10個(gè)互不相關(guān)的變量。
7.根據(jù)權(quán)利要求3-6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(xù)波長近紅外掃描時(shí)，所述化學(xué)計(jì)量學(xué)多元校正算法為偏最小二乘法、主成分回歸或人工神經(jīng)網(wǎng)絡(luò)算法； 所述掃描方式為離散波長近紅外掃描時(shí)，所述化學(xué)計(jì)量學(xué)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(jù)權(quán)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(biāo)準(zhǔn)品的蛋白質(zhì)組分含量的化學(xué)測定值是由SDS-PAGE和光密度分析儀測定而得。
9.根據(jù)權(quán)利要求1-8任一所述的方法，其特征在于所述蛋白質(zhì)組分選自花生球蛋白、伴花生球蛋白和伴花生球蛋白I中的至少一種。
10.根據(jù)權(quán)利要求1-9任一所述的方法，其特征在于所述步驟I)中，所述光譜信息為吸光度。
全文摘要
本發(fā)明公開了一種檢測花生中蛋白質(zhì)組分含量的方法。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(yù)處理；3)提取校正集樣本光譜的特征信息數(shù)據(jù)；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(jīng)預(yù)處理，提取特征信息輸入校正模型，即可計(jì)算得到花生樣品中的蛋白質(zhì)組分含量。本發(fā)明具有分析速度快、分析效率高、不使用任何化學(xué)試劑、分析成本低、且對(duì)環(huán)境不造成任何污染等優(yōu)點(diǎn)，可為花生品質(zhì)分析、控制花生品質(zhì)及制品品質(zhì)提供可靠依據(jù)。
文檔編號(hào)G01N21/35GK102879353SQ20121034966
公開日2013年1月16日 申請(qǐng)日期2012年9月19日 優(yōu)先權(quán)日2012年9月19日
發(fā)明者王強(qiáng), 劉紅芝, 劉麗, 王麗, 杜寅 申請(qǐng)人:中國農(nóng)業(yè)科學(xué)院農(nóng)產(chǎn)品加工研究所