張晉 曹曉寧 田翔 劉思辰 秦慧彬 喬治軍

摘要?[目的]建立一種藜麥粗蛋白含量快速、無損、簡便的測定方法，為藜麥的資源評價和品質(zhì)育種提供技術(shù)支持。[方法]以100份藜麥種質(zhì)資源為材料，其中80%為校正集，20%為驗證集，掃描得到藜麥近紅外原始光譜，利用OPUS/QUAN T5.5光譜定量分析軟件建立藜麥蛋白質(zhì)含量的快速檢測模型。[結(jié)果]采用一階導(dǎo)數(shù)+矢量歸一化光譜方法進(jìn)行預(yù)處理，結(jié)合化學(xué)方法測定數(shù)據(jù)建立藜麥粗蛋白近紅外定量模型，校正和預(yù)測效果最好，藜麥粗蛋白近紅外定量模型的交叉驗證決定系數(shù)為0.918 2，外部驗證決定系數(shù)為0.915 1。[結(jié)論]基于近紅外光譜法（NIRS）測定藜麥籽粒的蛋白含量是完全可行的。

關(guān)鍵詞?藜麥;蛋白;含量;近紅外光譜技術(shù)

中圖分類號?TS210.7?文獻(xiàn)標(biāo)識碼?A

文章編號?0517-6611（2021）09-0175-02

doi：10.3969/j.issn.0517-6611.2021.09.047

Abstract?[Objectives]In order to provide technical support for quinoa resource evaluation and quality breeding，and establish a fast，non-destructive，and simple method for determining quinoa protein content.[Method]A total of 100 quinoa varieties were selected，which 80% were used as the modeling set and 20% were used as the verification set.We collected 100 the near infrared spectra of quinoa，the OPUS/QUAN T5.5 software were used to preprocess the original near-infrared spectra data after scanning，and established the quantitative prediction model of quinoa kernel protein content.[Result]Through the preprocessing of first derivative and vector normalization spectral method，and set up the near infrared quantitative model of quinoa protein combining with the data of chemical method，whose calibration and prediction effect was best.Cross validation decision coefficient and external validation decision coefficient of protein by near infrared quantitative model were 0.918 2 and 0.915 1.[Conclusion]It is completely feasible to determine the protein content of quinoa grains based on near-infrared spectroscopy （NIRS）.

Key words?Quinoa;Protein;Content;Near infrared spectroscopy

藜麥（Chenopodium quinoa Willd.）原產(chǎn)于南美洲安第斯山地區(qū)，有 5 000～7 000 年種植歷史[1-3]，具有耐寒、抗旱耐逆、耐鹽堿等特性[4]。由于其營養(yǎng)的均衡性[5]，被聯(lián)合國糧農(nóng)組織（ FAO） 推薦為適宜人類食用的“全營養(yǎng)食品”，在國內(nèi)受到了越來越多的關(guān)注[6-10]。藜麥籽粒蛋白質(zhì)含量高[11]，溶解性好，容易被人體吸收利用，屬于優(yōu)質(zhì)蛋白質(zhì)[12]，富含多種氨基酸，尤其是植物蛋白中所缺乏的賴氨酸、色氨酸等[12-13]。因此蛋白質(zhì)含量作為評價藜麥品質(zhì)的重要指標(biāo)，對藜麥資源評價、育種材料的篩選具有重要作用。蛋白質(zhì)含量的測定一般使用凱式定氮法、高效液相色譜法[14]，這些方法步驟煩瑣、速度慢、費用高、周期長，不適宜批量對藜麥資源品質(zhì)評價、育種過程中早代材料的快速、無損檢測。因此建立一種快速無損檢測藜麥蛋白含量的模型和方法，對藜麥種質(zhì)資源評價鑒定具有重要意義，同時將極大地推進(jìn)育種進(jìn)程，提高種質(zhì)資源的利用效率。

近紅外光譜分析技術(shù)是近年來發(fā)展快速、最引人注目的光譜分析技術(shù)[15]，具有適合多組分測定、分析速度快、測定過程無污染、操作簡便、成本低等優(yōu)點[16]，已成為品質(zhì)分析的重要手段和發(fā)展方向[17]，在玉米、大豆、花生、谷子等作物中均廣泛應(yīng)用[18-21]。目前關(guān)于藜麥籽粒蛋白含量近紅外研究較少，曹曉寧等[22-24]建立了基于近紅外光譜法快速檢測藜麥脂肪、纖維和淀粉的模型，石振興等[25]建立了基于藜麥粉的粗蛋白、粗脂肪和淀粉含量近紅外預(yù)測模型，均未對藜麥籽粒蛋白含量的近紅外模型進(jìn)行研究。該研究基于藜麥籽粒蛋白質(zhì)含量的真實值，利用MPA型傅立葉變換近紅外光譜儀和OPUS建模軟件，建立藜麥蛋白質(zhì)近紅外光譜分析模型，為藜麥品質(zhì)育種與資源評價提供技術(shù)支持。

1?材料與方法

1.1?試材?以中國農(nóng)業(yè)科學(xué)院作物科學(xué)研究所外引室以及山西農(nóng)業(yè)大學(xué)農(nóng)業(yè)基因資源研究中心提供的100 份藜麥品種（系）為試驗材料。試驗所需試劑為無水乙醇、硼酸、氫氧化鈉、溴甲酚綠、濃硫酸、甲基紅、硫酸銅和硫酸鉀。

1.2?儀器

分析天平;電熱恒溫鼓風(fēng)干燥箱;旋風(fēng)磨（Foss Cyclotec1093）; MPA傅立葉變換近紅外光譜儀（德國Bruke公司）;FOSS消化爐（2012 型）;FOSS全自動凱氏定氮儀（8400 型）。

1.3?試驗方法

1.3.1?粗蛋白測定。根據(jù)GB 5511—2008，利用凱氏定氮儀計算粗蛋白含量進(jìn)行藜麥籽粒蛋白含量的測定，每份樣品稱取2份，每份0.5 g，準(zhǔn)確至0.001 g。

1.3.2?近紅外光譜的采集。

將藜麥樣品室溫下放置7 d，平衡水分，并去除雜質(zhì)。將近紅外光譜儀器開機(jī)預(yù)熱30 min，開始性能測試和白板參比，把樣品裝入樣品杯（容積25 cm3 ），每次裝樣以容積的2/3最佳，并將藜麥籽粒表面刮平。利用近紅外光譜儀采取藜麥樣品的漫反射光譜掃描光程進(jìn)行優(yōu)化和選擇，每樣品掃描2次并取平均值，工作譜區(qū)為4 000～12 000 cm-1。

1.3.3?近紅外數(shù)學(xué)模型的建立。

采用光譜定量分析軟件和DPS 軟件，并利用軟件中的自動優(yōu)化功能，篩選建模的最佳光譜預(yù)處理方法、譜區(qū)范圍和主因子數(shù)。將藜麥樣品數(shù)據(jù)分為2組：校正集（80%用于建立近紅外模型）和驗證集（20%用于檢驗所建模型的精度）。為找到最優(yōu)建模方法，內(nèi)部驗證采用校正樣品集進(jìn)行，利用建模之外的樣品對模型進(jìn)行外部檢驗，來確定最優(yōu)模型。

2?結(jié)果與分析

2.1?藜麥原始光譜圖與化學(xué)值?從圖1可以看出，在光譜波段10 000～4 000 cm-1藜麥存在多個吸收峰，其變化趨勢一致但是不重合，說明該光譜圖質(zhì)量較高，待測樣品的前處理能夠達(dá)到試驗要求;同時樣品品質(zhì)的多樣性豐富，近紅外光譜圖能夠覆蓋較大范圍，可用于快速檢測模型的建立。

對藜麥樣品蛋白含量進(jìn)行分析，結(jié)果發(fā)現(xiàn)（表1），藜麥粗蛋白含量是12.92%～15.62%，平均值為14.63%，數(shù)據(jù)變幅較寬，適合建立近紅外分析模型。

2.2?蛋白模型的建立

利用軟件中的自動優(yōu)化功能，發(fā)現(xiàn)采用一階導(dǎo)數(shù)+矢量歸一化法進(jìn)行光譜預(yù)處理方法建立的蛋白含量校正模型的校正效果最好，交叉驗證決定系數(shù)為0.918 2，標(biāo)準(zhǔn)誤（RMSECV） 為0.155（圖2），說明通過此種方法建立的快速檢測模型是可行的，可應(yīng)用于大批量藜麥籽粒蛋白含量的快速檢測。

2.3?藜麥蛋白模型外部檢驗

利用驗證集的20份藜麥樣品對該研究所建模型質(zhì)量（預(yù)測效果）進(jìn)行評價，結(jié)果發(fā)現(xiàn)，該模型的外部驗證決定系數(shù)為 0.915 1，預(yù)測標(biāo)準(zhǔn)誤為0.224，由此可見預(yù)測值與實際值之間沒有顯著差異，說明近紅外光譜儀測定的藜麥蛋白質(zhì)含量的結(jié)果是可靠的。

3?討論與結(jié)論

近紅外光譜分析技術(shù)在應(yīng)用中的準(zhǔn)確性受到多種因素的影響[26]。建標(biāo)樣品的數(shù)量和質(zhì)量是建立快速檢測模型的基礎(chǔ)，直接影響到結(jié)果的準(zhǔn)確性。蔣煥煜等[27]研究發(fā)現(xiàn)溫度對模型精度有一定的影響，樣品的溫度在10 和20 ℃下模型的精度較高。王京宇等[28]研究發(fā)現(xiàn)水分含量也會影響利用近紅外測定蛋白質(zhì)含量結(jié)果的準(zhǔn)確性。樣品粒度的變化可以對散射系數(shù)和吸光度產(chǎn)生影響，進(jìn)而影響整個圖譜發(fā)生變化[29]。胡新中等[30]研究發(fā)現(xiàn)蛋白質(zhì)含量與顆粒度、灰分含量和顆粒度呈顯著正相關(guān)。待測樣品的處理和使用及預(yù)處理方法的不同也會影響近紅外光譜分析結(jié)果的準(zhǔn)確性[31]。該研究利用MPA傅立葉變換近紅外光譜儀對100份藜麥籽粒樣本進(jìn)行光譜掃描，通過光譜定量分析軟件進(jìn)行光譜預(yù)處理、數(shù)學(xué)方法運算及回歸統(tǒng)計分析，建立了藜麥完整籽粒蛋白含量預(yù)測模型，決定系數(shù)較高、誤差小、可靠性較好，但今后的工作中仍需補(bǔ)充藜麥資源種類和數(shù)量，對模型進(jìn)行校正和優(yōu)化[32]，保證模型的準(zhǔn)確性和穩(wěn)定性。基于此方法建標(biāo)的藜麥樣本是完整的、籽粒無破損，滿足了快速、無損檢測要求，為藜麥品質(zhì)的評價指標(biāo)如氨基酸含量的快速檢測奠定了基礎(chǔ)。

參考文獻(xiàn)

[1] FAO.Quinoa：An ancient crop to contribute to world food security[R].Rome，Italy：Food and Agriculture Organization，2011.

[2] IQBAL M J，REDDY O U K，EL-ZIK K M，et al.A genetic bottleneck in the ‘envolution under domestication of upland cotton Gossypium hirsutum L.examined using DNA fingerprinting[J].Theoretical and appliede genetics，2001，103（4）：547-554.

[3] 王晨靜，趙習(xí)武，陸國權(quán)，等.藜麥特性及開發(fā)利用研究進(jìn)展[J]. 浙江農(nóng)林大學(xué)學(xué)報，2014，31（2）：296-301.

[4] JACOBSEN S E，MUJICA A，JENSEN C R.The resistance of quinoa （Chenopodium quinoa Willd.） to adverse abiotic factors[J].Food reviews international，2003，19（1/2）：99-109.

[5] REPO-CARRASCO R，ESPINOZA C，JACOBSEN S E.Nutritional value and use of the Andean crops quinoa （Chenopodium quinoa） and kaiwa （Chenopodium pallidicaule）[J].Food reviews international，2003，19（1/2）：179-189.

[6] 周海濤，劉浩，么楊，等.藜麥在張家口地區(qū)試種的表現(xiàn)與評價[J].植物遺傳資源學(xué)報，2014，15（1）：222-227.

[7] 王艷青，李勇軍，李春花，等.藜麥主要農(nóng)藝性狀與單株產(chǎn)量的相關(guān)和通徑分析[J].作物雜志，2019（6）：156-161.

[8] 董艷輝，王育川，溫鑫，等.藜麥育種技術(shù)研究進(jìn)展[J].中國種業(yè)，2020（1）：8-13.

[9] 梅麗，郭自軍，王立臣，等.15份藜麥資源在北京地區(qū)的生態(tài)適應(yīng)性評價[J].中國農(nóng)業(yè)大學(xué)學(xué)報，2019，24（9）：27-36.

[10] 李佶愷，王建麗，尚晨，等.不同藜麥材料在哈爾濱地區(qū)的適應(yīng)性研究[J].草業(yè)學(xué)報，2019，28（9）：202-208.

[11] 石振興，楊修仕，么楊，等.60 份國內(nèi)外藜麥材料子粒的品質(zhì)性狀分析[J].植物遺傳資源學(xué)報，2017，18（1）：88-93.

[12] VEGA-GLVEZ A，MIRANDA M，VERGARA J，et al.Nutrition facts and functional potential of quinoa （Chenopodium quinoa Willd.），an ancient Andean grain：A review[J].Journal of the science of food and agriculture，2010，90（15）：2541-2547.

[13] RUALES J，NAIR B M.Nutritional quality of the protein in quinoa （Chenopodium?quinoa Willd.） seeds[J].Plant foods for human nutrition，1992，42（1）：1-11.

[14] WRIGHT K H，PIKE O A，F(xiàn)AIRBANKS D J，et al.Composition of Atriplex hortensis，sweet and bitter Chenopodium quinoa seeds[J].Journal of food science，2002，67（4）：1383-1385.

[15] 嚴(yán)衍祿，趙龍蓮，李軍會，等.現(xiàn)代近紅外光譜分析的信息處理技術(shù)[J].光譜學(xué)與光譜分析，2000，20（6）：777-780.

[16] 嚴(yán)衍祿，陳斌，朱大洲，等.近紅外光譜分析的原理、技術(shù)與應(yīng)用[M].北京：中國輕工業(yè)出版社，2013：1-6.

[17] 嚴(yán)衍祿.近紅外光譜分析基礎(chǔ)與應(yīng)用[M].北京：中國輕工業(yè)出版社，2005：1-20.

[18] 于翠紅，樊翠芹，張麗，等.玉米子粒粗蛋白近紅外模型的建立[J].河北農(nóng)業(yè)科學(xué)，2019，23（6）：101-105.

[19] 李建國，薛曉夢，張照華，等.單粒花生主要脂肪酸含量近紅外預(yù)測模型的建立及其應(yīng)用[J].作物學(xué)報，2019，45（12）：1891-1898.

[20] 王翠秀，曹見飛，顧振飛，等.基于近紅外光譜大豆蛋白質(zhì)、脂肪快速無損檢測模型的優(yōu)化構(gòu)建[J].大豆科學(xué)，2019，38（6）：968-976.

[21] 田翔，劉思辰，王海崗，等.近紅外漫反射光譜法快速檢測谷子蛋白質(zhì)和淀粉含量[J].食品科學(xué)，2017，38（16）：140-144.

[22] 曹曉寧，田翔，趙小娟，等.基于近紅外光譜法的藜麥脂肪含量快速檢測[J].湖北農(nóng)業(yè)科學(xué)，2016，55（18）：4796-4798.

[23] 曹曉寧，田翔，王君杰，等.基于近紅外光譜法快速檢測藜麥纖維含量[J].安徽農(nóng)業(yè)科學(xué)，2016，44（15）：17-19.

[24] 曹曉寧，田翔，趙小娟，等.基于近紅外光譜法快速檢測藜麥淀粉含量[J].江蘇農(nóng)業(yè)科學(xué)，2017，45（4）：147-149.

[25] 石振興，朱瑩瑩，楊修仕，等.藜麥粉末中主要營養(yǎng)成分近紅外預(yù)測模型的建立及驗證[J].糧食與油脂，2017，30（12）：55-57.

[26] 胡超，白史且，張玉，等.近紅外光譜技術(shù)（NIRS）及其在牧草品質(zhì)檢測中的應(yīng)用[J].草業(yè)與畜牧，2013（4）：40-46.

[27] 蔣煥煜，謝麗娟，彭永石，等.溫度對葉片近紅外光譜的影響[J].光譜學(xué)與光譜分析，2008，28（7）：1510-1513.

[28] 王京宇，鄭家豐.水分含量對近紅外測定蛋白質(zhì)結(jié)果的影響[J].糧食與飼料工業(yè)，2001（10）：48-49.

[29] 趙麗麗，趙龍蓮，李軍會，等.傅里葉變換近紅外光譜儀掃描條件對數(shù)學(xué)模型預(yù)測精度的影響[J].光譜學(xué)與光譜分析，2004，24（1）：41-44.

[30] 胡新中，魏益民，張國權(quán)，等.近紅外谷物品質(zhì)分析儀工作穩(wěn)定性研究[J].糧食與飼料工業(yè)，2001（6）：46-47.

[31] 劉建學(xué)，吳守一，方如明.大米直鏈淀粉含量的近紅外光譜分析[J].農(nóng)業(yè)工程學(xué)報，2000，16（3）：94-96.

[32] 于海燕，應(yīng)義斌，劉燕德.農(nóng)產(chǎn)品品質(zhì)近紅外光譜分析結(jié)果影響因素研究綜述[J].農(nóng)業(yè)工程學(xué)報，2005，21（11）：160-163.