一种快速、无损鉴别转基因大豆方法与流程

本发明涉及到食品品质检测领域，特别是常见转基因大豆的鉴别方法，具体为一种结合PLS-DA判别法快速、无损鉴别转基因大豆方法。

背景技术：

我国为大豆的原产国也是大豆的主产国之一，但是近年来，国外的转基因大豆大量涌入中国，中国国产大豆失去了价格优势，很多企业选择低成本的转基因大豆作为原料。中国是个饮食文化上很依赖大豆的国家，各种大豆制品充斥着我们的餐桌，但是由于转基因大豆可能存在安全性问题，很多消费者选择不食用转基因食品，但是有调查显示我国存在很多大豆制品中是使用转基因大豆制作的,但是都没有进行标示，所以在食品安全监测方面，亟待一种有效的检测产品中是为转基因的方法。

目前针对于转基因大豆的定性鉴别方法有许多仍未感官评定为主，感官评定的方法的检测结果因主观因素影响较大，不适合大批量样本的检测。目前针对于转基因大豆的检测的方法主要有，酶联免疫吸附检测法，试条法，PCR技术，基因芯片等方法，但是存在实验过程繁杂，操作复杂，需要添加化学试剂等缺点。因此，有必要寻找一种更加简单、快速的转基因大豆鉴别方法。近红外光谱分析技术是今年来一种新兴的光谱分析技术，无需样品预处理，不用破坏样品，有望成为一种简单快捷的转基因大豆鉴别方法。近红外光谱仪（Near Infrared Spectrum Instrument，NIRS）是介于可见光（Vis）和中红外（MIR）之间的电磁辐射波，近红外光谱区定义为780-2526nm的区域，是人们在吸收光谱中发现的第一个非可见光区。

近红外光谱区与有机分子中含氢基团（O-H、N-H、C-H）振动的合频和各级倍频的吸收区一致，通过扫描样品的近红外光谱，可以得到样品中有机分子含氢基团的特征信息，而且利用近红外光谱技术分析样品具有方便、快速、高效、准确和成本较低，不破坏样品，不消耗化学试剂，不污染环境，仪器便携等优点，因此该技术受到越来越多人的青睐。

在实际工作中，只需要知道样品的类别和质量等级，并不需要知道样品中含有的组分数和其含量的问题，这时候需要模式识别法。近红外光谱的定性依据主要是光谱本身，因为光谱反映了真实样品的组成和结构信息，相同或者近似的样品有着相同或相近的光谱。通过应用含糊的数学光谱匹配方式进行实际的定性分析。近红外光谱常用模式识别方法主要有聚类分析、主成分分析结合马氏距离的判别、主成分分析结合最小二乘支持向量机的方式等。而偏最小二乘判别分析是一种常用的化学模式识别方法。

技术实现要素：

综上，当前亟需一种快速、无损的转基因大豆的鉴别方法，解决现有技术中转基因大豆检测技术，实验过程繁殖，操作复杂，并且往往需要破坏样品等问题。本发明拟借助近红外光谱技术构建一种快速、准确、无损的方法用于鉴别转基因大豆。

为上述目的，本发明采用以下技术方案实现：一种快速、无损鉴别转基因大豆方法，其包括以下：步骤S1：收集不同种类的转基因大豆和非转基因的大豆样品；步骤S2：将样本进行近红外光谱扫描，采集其近红外光谱，并剔除异常的样本数据；步骤S3：选取1100~2500 nm特征波段下的光谱信息，运用多元散射校正预处理方法进行对步骤S2中的光谱信息进行处理；并对处理后的光谱信息进行散射校正；步骤S4：采用留一法交叉验证，求PLS-DA最佳的因子数；具体步骤为：假设有N个样本，将每一个样本作为测试样本，其它N-1个样本作为训练样本，这样得到N个分类器，N个测试结果，用这N个结果的平均值来衡量模型的性能，从而找到求PLS-DA最佳的因子数；N为大于1的自然数；步骤S5：采用步骤S4的最佳的因子数，进行PLS-DA建模；步骤S6：对于未知的样品，利用扫描器获取其近红外光谱，再利用建立好的PLS-DA模型，预测其所属类别。

进一步的，所述步骤S3包括以下步骤：首先建立一个待测样品的理想光谱，所述理想光谱的变化与样品中成分的含量满足直接的线性关系，以该光谱为标准要求对所有其他样品的近红外光谱进行修正，其中包括基线平移和偏移校正。

本发明的上述技术方案相比现有的技术具有以下的优点：本发明所采取的主成分分析法结合Fisher判别引入到鉴别常见的致病菌，不仅能够快速鉴别出致病菌的种类，并且具有高精度、操作简单等优点，在后续的临床菌种鉴别工作中有重大贡献，具有良好的应用前景。

附图说明

图1实施所述转基因大豆的近红外原始吸收光谱图。

图2实施所述非转基因大豆的近红外原始吸收光谱图。

图3经过多元散射校正预处理后的转基因大豆的近红外吸收光谱图。

图4经过多元散射校正预处理后的非转基因大豆的近红外吸收光谱图。

图5 利用留一法交叉验证取得最佳主成分因子数变化图。

具体实施方式

下面结合附图和具体实施例对本发明做进一步解释说明。

为了更好的理解本发明，下面结合实例对本发明进一步的详细说明。

本发明提供一种快速、无损的转基因大豆的鉴别方法，其包括以下：步骤S1：收集不同种类的转基因大豆和非转基因的大豆样品；步骤S2：将样本进行近红外光谱扫描，采集其近红外光谱，并剔除异常的样本数据；步骤S3：选取1100~2500 nm特征波段下的光谱信息，运用多元散射校正预处理方法进行对步骤S2中的光谱信息进行处理；并对处理后的光谱信息进行散射校正；步骤S4：采用留一法交叉验证，求PLS-DA最佳的因子数；具体步骤为：假设有N个样本，将每一个样本作为测试样本，其它N-1个样本作为训练样本，这样得到N个分类器，N个测试结果，用这N个结果的平均值来衡量模型的性能，从而找到求PLS-DA最佳的因子数；N为大于1的自然数；步骤S5：采用步骤S4的最佳的因子数，进行PLS-DA建模；步骤S6：对于未知的样品，利用扫描器获取其近红外光谱，再利用建立好的PLS-DA模型，预测其所属类别。

一个交叉验证将样本数据集分成两个互补的子集，一个子集用于训练（分类器或模型）称为训练集（training set）；另一个子集用于验证（分类器或模型的）分析的有效性称为测试集（testing set）。利用测试集来测试训练得到的分类器或模型，以此作为分类器或模型的性能指标。得到高度预测精确度和低的预测误差，是研究的期望。为了减少交叉验证结果的可变性，对一个样本数据集进行多次不同的划分，得到不同的互补子集，进行多次交叉验证。取多次验证的平均值作为验证结果。

在给定的建模样本中，拿出大部分样本进行建模型，留小部分样本用刚建立的模型进行预报，并求这小部分样本的预报误差，记录它们的平方加和。这个过程一直进行，直到所有的样本都被预报了一次而且仅被预报一次。把每个样本的预报误差平方加和，称为PRESS(predicted Error Sum of Squares)。

假设分类器或模型有一个或多个未知的参数，并且设这个训练器（模型）与已有样本数据集（训练数据集）匹配。训练的过程是指优化模型的参数，以使得分类器或模型能够尽可能的与训练数据集匹配。我们在同一数据集总体中，取一个独立的测试数据集。

进一步的，所述步骤S3包括以下步骤：首先建立一个待测样品的理想光谱，所述理想光谱的变化与样品中成分的含量满足直接的线性关系，以该光谱为标准要求对所有其他样品的近红外光谱进行修正，其中包括基线平移和偏移校正。

具体实施例：

(1)收集转基因大豆与非转基因大豆样本各44个样本，在温度为25℃时，湿度为30 %左右条件下，利用Nicolet 6700傅里叶变换近红外光仪(赛默飞世尔科技公司，Thermo Fisher)采集其漫反射光谱图，扫描范围1100~2500 nm，如图1和图2。

(2)对于异常的样本进行剔除，并运用多元散射校正预处理方法进行对光谱信息进行处理。经过散射校正后得到的光谱数据可以有效地消除散射影响，增强了与成分含量相关的光谱吸收信息。该方法的使用首先要求建立一个待测样品的“理想光谱”，即光谱的变化与样品中成分的含量满足直接的线性关系，以该光谱为标准要求对所有其他样品的近红外光谱进行修正，其中包括基线平移和偏移校正等，如图3和图4。

(3)将共88个样本利用K-S算法分别对转基因大豆与非转基因划分校正集与预测集，校正集66个样本，预测集22个样本。

(4)采用留一法交叉验证求的PLS-DA最佳的因子数，如图5。

(5)采用最佳的因子数4，进行PLS-DA建模。对于未知的样品，扫描器近红外光谱，就可以利用建立好的PLS-DA模型，预测其归属，准确率如表格1，预测成功率在校正集与预测集均为100%。

表1

以上是本发明的较佳实施例，凡依本发明技术方案所作的改变，所产生的功能作用未超出本发明技术方案的范围时，均属于本发明的保护范围。