阮長青 ，鹿保鑫 ，梁雪梅 ，李志江 ，張愛武 ，張東杰

（1.黑龍江八一農(nóng)墾大學(xué)食品學(xué)院，黑龍江大慶 163319；2.黑龍江省農(nóng)產(chǎn)品加工與質(zhì)量安全重點實驗室，黑龍江大慶 163319；3.北大荒現(xiàn)代農(nóng)業(yè)產(chǎn)業(yè)技術(shù)省級培育協(xié)同創(chuàng)新中心，黑龍江大慶 163319）

黑龍江省是我國大豆主產(chǎn)區(qū)，而北安則是黑龍江省大豆的主產(chǎn)區(qū)。市場經(jīng)常會出現(xiàn)一些以次充好和冒牌的黑龍江大豆、北安大豆。如何保護(hù)和提升黑龍江省大豆品牌優(yōu)勢，實現(xiàn)原產(chǎn)地溯源和種質(zhì)資源保護(hù)，進(jìn)而提升大豆種植業(yè)和加工業(yè)整體水平，成為農(nóng)業(yè)科技者和監(jiān)管機構(gòu)關(guān)注的問題。

產(chǎn)地鑒別、溯源技術(shù)對特色名優(yōu)品牌產(chǎn)品保護(hù)的應(yīng)用日益廣泛[1]。近紅外光譜分析技術(shù)將樣品中有機分子含氫基團的特征信息，用于對比光譜曲線趨勢不同、不同地區(qū)、組成與含量不同的大豆樣品，從而確定未知樣品與已知樣品的關(guān)系，具有樣品制備簡單、無污染、分析快速的特點[2]。

由于大豆中礦物元素含量在不同地域間存在差異，利用礦物元素進(jìn)行的大豆產(chǎn)地判別是可行的[3]，但檢測的設(shè)備昂貴、成本高、周期長。研究表明，近紅外高光譜成像技術(shù)可實現(xiàn)大豆非轉(zhuǎn)基因親本與轉(zhuǎn)基因品種的判別分析[4]，利用近紅外光譜分析的理論及技術(shù)優(yōu)勢對非轉(zhuǎn)基因大豆進(jìn)行產(chǎn)地鑒別是一種有益的嘗試。從黑龍江省不同產(chǎn)地和品種的大豆樣品中篩選出有明顯差異的光譜波段，結(jié)合化學(xué)計量手段，建立近紅外光譜定性、定量分析模型并進(jìn)行北安地區(qū)大豆的產(chǎn)地判別。

1 材料與方法

1.1 材料

隨機選取北安地區(qū)地理標(biāo)志的63份大豆樣品，其他3個地區(qū)108份，在每個區(qū)域的9個采樣點按“S”進(jìn)行布點，隨機采樣獲得共計171份樣品，每500 g為一個樣品。

樣品經(jīng)挑選、清洗、60℃下干燥、磨粉、篩分（100目），密封于-20℃條件下保存?zhèn)溆谩?/p>

1.2 營養(yǎng)成分測定

采用凱氏定氮法、索氏抽提法、灼燒法、苯酚-硫酸法分別測定蛋白、油脂、總灰分、可溶性糖含量[5-8]。

1.3 光譜采集

傅立葉近紅外光譜儀開機、預(yù)熱，每隔1 h掃描一次背景，單通道采集光譜。漫反射鍍金積分球，InGaAs檢測器，分辨率8 cm-1，環(huán)境溫度25±1℃，相對濕度20%～30%，光譜范圍12 000～4 000 cm-1，掃描64次。

1.4 產(chǎn)地判別模型的建立及驗證

1.4.1 建模和預(yù)測

隨機選擇北安和其他地區(qū)全部樣品量的2/3作為訓(xùn)練集樣品，用于模型的建立；1/3作為驗證集樣品，用于模型的驗證。北安地區(qū)建模訓(xùn)練集樣品個數(shù)為42個，預(yù)測集樣品個數(shù)為21個；其他地區(qū)建模訓(xùn)練集樣品個數(shù)為72個，預(yù)測集樣品個數(shù)為36個。

1.4.2 基于定性分析的大豆產(chǎn)地判別模型

利用OPUS7.5軟件選出有明顯差異的波段建立定性分析模型。預(yù)處理方式分別為矢量歸一化（SNV）、一階導(dǎo)數(shù)（FD） /平滑、一階導(dǎo)數(shù)/SNV/平滑、二階導(dǎo)數(shù)（SD） /平滑、二階導(dǎo)數(shù)/SNV/平滑等，平滑點數(shù)分別記為5PS、9PS、13PS、17PS、21PS、25PS，為防止外界干擾、提高模型精度，采用因子化法對光譜進(jìn)行計算處理。通過比較S值來確定最優(yōu)預(yù)處理方式及光譜計算方法，建立定性分析模型[9-10]。

1.4.3 基于定量分析的大豆產(chǎn)地判別模型

采用交叉檢驗以偏最小二乘法（PLS）在特征波段建立定量分析模型。將北安大豆組分值用1表示，其他地區(qū)大豆組分值用-1表示，以0作為中間值判斷真?zhèn)?。通過模型將計算值大于0的視為北安大豆，小于0的為其他地區(qū)大豆，系統(tǒng)自動優(yōu)化篩選出最優(yōu)波段及預(yù)處理方式，光譜的預(yù)處理方式有消除常數(shù)偏移量、減去一條直線、SNV、最小-最大歸一化、多元散射矯正（MSC）、內(nèi)部標(biāo)準(zhǔn)、一階導(dǎo)數(shù)/平滑、二階導(dǎo)數(shù)/平滑、一階導(dǎo)數(shù)/減去一條直線/平滑、一階導(dǎo)數(shù)/SNV/平滑、一階導(dǎo)數(shù)/MSC/平滑等，通常采用檢驗集檢驗方式進(jìn)行模型檢驗，并最終建立定量分析模型。定量分析模型判別方法選用PLS，用一個線性模型來描述獨立變量Y與預(yù)測變量組X之間的關(guān)系。

1.4.4 模型驗證方法

利用OPUS 7.5軟件分別選擇定性分析，聚類分析測試和定量分析工具欄，調(diào)入模型，調(diào)入預(yù)測樣品光譜圖，獲得結(jié)果。

2 結(jié)果與分析

2.1 大豆?fàn)I養(yǎng)成分差異性分析

不同產(chǎn)地大豆品質(zhì)的差異分析見表1。

由表1可知，不同地區(qū)其營養(yǎng)成分含量差異較大，北安大豆中蛋白質(zhì)、油脂、可溶性糖及灰分含量均高于其他地區(qū)大豆（p＜0.05），可溶性糖的含量比其他地區(qū)大豆高出近10%，這可能與北安地區(qū)獨有的氣候和土壤環(huán)境有關(guān)[11]。試驗表明，將樣品大豆?fàn)I養(yǎng)成分作為鑒別北安大豆的指標(biāo)是可行的。

表1 不同產(chǎn)地大豆品質(zhì)的差異分析

2.2 大豆近紅外光譜分析結(jié)果

北安與其他地區(qū)大豆的近紅外光譜圖見圖1。

經(jīng)過不同的預(yù)處理后，對北安大豆與其他地區(qū)大豆進(jìn)行紅外光譜掃描（圖1），在7 495.12 cm-1處有較寬吸收峰，是脂肪族烴中C-H振動所引起的；在7 945.29 cm-1處的吸收峰是脂肪烴中的-CH2的二級振動所引起的；在8 393.14 cm-1處的吸收峰與蛋白質(zhì)和脂肪中的N-H鍵、C-H鍵、O-H鍵及C=O鍵的振動有關(guān)。結(jié)果表明，不同產(chǎn)地的近紅外光譜走勢大體一致，利用一階導(dǎo)數(shù)對光譜預(yù)處理后進(jìn)行方差分析，發(fā)現(xiàn)品種相同的大豆在不同的產(chǎn)地近紅外光譜也存在顯著性差異。

2.3 不同預(yù)處理方式對定性分析時建模效果的影響

大豆在經(jīng)過不同的預(yù)處理之后，在波段70 00～7 500，7 900～8 400 cm-1處差異明顯，出現(xiàn)波段特性，選取波段范圍為 7 000～7 500，7 900～8 400，7 000～7 500，7 900～8 400 cm-1區(qū)域進(jìn)行建模分析。

不同的預(yù)處理方式對不同波段的影響見表2。

表2 不同的預(yù)處理方式對不同波段的影響

由表2可知，根據(jù)S值的大小來評價模型的準(zhǔn)確度，即S＞1時，表示兩類樣品被唯一鑒別，S值越大模型準(zhǔn)確度越高；S＜1時，表示兩類樣品未被均勻鑒別，S值越小模型準(zhǔn)確度越低。當(dāng)采用因子化法結(jié)合二階導(dǎo)數(shù)/5點平滑的預(yù)處理方式時，北安大豆和其他地區(qū)大豆樣品均能被唯一鑒別，且S值為1.313，因此選取該預(yù)處理方式并建立定性分析模型。

不同地區(qū)大豆樣品的因子化2D得分散點圖見圖2。

由圖2可知，將近紅外光譜技術(shù)與因子化法結(jié)合在特征波段采用二階導(dǎo)數(shù)/SNV/5點平滑對大米產(chǎn)地進(jìn)行判別，準(zhǔn)確率大于90%以上。

2.4 不同預(yù)處理方式對定量分析建模效果的影響

建立近紅外光譜與樣品組分化學(xué)值相關(guān)聯(lián)的模型，采用PLS法根據(jù)樣品光譜波段的差異波段范圍、預(yù)處理方式的選擇及維數(shù)的確立，利用加互驗證均方根誤差（RMSECV）進(jìn)行優(yōu)化處理，得出最優(yōu)組合。R2為定向系數(shù)，其值越大表示預(yù)測含量值越接近真值，而RMSECV越小，模型的預(yù)測性能越好[12]。大豆中蛋白質(zhì)、油脂、灰分和可溶性糖的定量分析結(jié)果如下。

北安大豆中蛋白質(zhì)經(jīng)篩選分析處理后選擇無光譜預(yù)處理方式，最優(yōu)組合波段為9 400.9～6 098 cm-1和 5 450.6～4 249.8 cm-1，其 RMSECV 為 0.108，R2為99.46%，維數(shù)為10；其他地區(qū)大豆中蛋白質(zhì)采用消除常數(shù)偏移量處理方式，組合波段為9 400.9～7 498.5 cm-1和 6 100.9～5 447.7 cm-1，其 RMSECV為0.305，R2為97.26%，維數(shù)為7。

大豆蛋白質(zhì)預(yù)測值與參考值、RMSECV與維數(shù)的關(guān)系圖見圖3。

北安大豆中灰分采用多元散射校正的預(yù)處理方式，選擇特征波段7 501.3～6 799.7 cm-1和4 600.6～4 249.8 cm-1為最優(yōu)組合，其RMSECV為0.066 8，R2為94.16%，維數(shù)為6；其他地區(qū)大豆中灰分采用消除常數(shù)偏移量的預(yù)處理方式，特征波段為9 400.9～7 498.5 cm-1和 5 450.6～4 249.8 cm-1，其 RMSECV為0.070 5，R2為93.38%，維數(shù)為9。

大豆灰分預(yù)測值與參考值、RMSECV與維數(shù)的關(guān)系圖見圖4。

北安大豆中油脂采用消除常數(shù)偏移量的預(yù)處理方式，最優(yōu)組合波段9 400.9～6 098 cm-1和5 450.6～4 249.8 cm-1，其 RMSECV為 0.064，R2為 99.38%，維數(shù)為8；其他地區(qū)大豆中油脂采用最小-最大歸一化的預(yù)處理方式，組合波段為7 501.3～6 098和5 025.6～4 597.8，其RMSECV為0.093 1，R2為 99.48%，維數(shù)為8。

大豆油脂預(yù)測值與參考值、RMSECV與維數(shù)的關(guān)系圖見圖5。

北安大豆中可溶性糖采用SNV的處理方式，選擇特征波段為7 501.3～5 447.7 cm-1，其RMSECV為0.010 2，R2為100.00%，維數(shù)為10；其他地區(qū)大豆中可溶性糖采用無光譜預(yù)處理的方式，選擇特征波段為 5 775.7～5 447.7 cm-1，其 RMSECV為 0.046 4，R2為99.99%，維數(shù)為10。

大豆可溶性糖預(yù)測值與參考值、RMSECV與維數(shù)關(guān)系圖見圖6。

以大豆4種成分定量優(yōu)化分析結(jié)果確定定量分析模型。PLS法較其他方法建立的回歸模型更易于辨識系統(tǒng)信息與噪聲，也能夠在自變量存在嚴(yán)重多重相關(guān)性的條件下進(jìn)行回歸建模，其模型效果具有較高的精度。

2.5 大豆產(chǎn)地溯源模型的驗證

調(diào)入已建立的定性定量分析模型，對北安大豆和其他地區(qū)大豆進(jìn)行分析。

定性定量分析模型對預(yù)測集大豆樣品的判定結(jié)果見表3。

表3 定性定量分析模型對預(yù)測集大豆樣品的判定結(jié)果

由表3可知，定性分析時，北安大豆和其他地區(qū)大豆的正確鑒別率分別為100.0%和97.1%。定量分析時，以灰分為基準(zhǔn)，北安大豆和其他地區(qū)大豆的正確鑒別率均高達(dá)100.0%，這可能與北安地區(qū)特殊的地質(zhì)環(huán)境，大豆對礦物質(zhì)的富集能力較強有關(guān)[12]；以蛋白質(zhì)、油脂、可溶性糖為基準(zhǔn)，正確鑒別率均高于94.4%。表明建立的定性、定量分析模型對北安和其他地區(qū)的大豆的產(chǎn)地判別是可行的。

3 結(jié)論

選取北安與其他地區(qū)大豆共171份樣品進(jìn)行產(chǎn)地鑒別研究，通過因子化法建立了定性鑒別分析模型，其S值為1.313。結(jié)果表明，北安地區(qū)、其他地區(qū)大豆正確鑒別率分別為100.0%和97.1%。采用PLS法建立的定量分析對北安大豆各組分的正確鑒別率分別為蛋白質(zhì)100.0%，灰分100.0%，油脂96.2%，可溶性糖96.2%。除此之外，其他地區(qū)大豆各組分的正確鑒別率為蛋白質(zhì)97.2%，灰分100.0%，油脂94.4%，可溶性糖94.4%，其中對北安和其他地區(qū)的灰分進(jìn)行定量分析鑒別的正確率最高。由此可知，采用FTNIS法結(jié)合因子化法和PLS法所建立的定性分析模型和定量分析模型可以用于快速準(zhǔn)確判別北安大豆，對于實現(xiàn)北安地區(qū)以及黑龍江省非轉(zhuǎn)基因大豆品牌的保護(hù)提供了技術(shù)支持。