一种合浦珠母贝近红外活体无损检测方法

1.本发明属于海洋贝类检测技术领域，具体涉及了一种合浦珠母贝近红外活体无损检测方法。


背景技术：

2.合浦珠母贝(pinctada fucata)是重要的海水养殖贝类和生产珍珠的主要母贝，文明遐迩的“南珠”就是该贝所产。由于长期的人工育苗，且未采取种质保护措施，其种质资源不断衰退，从而给合浦珠母贝市场带来了不良影响，急需开展合浦珠母贝良种选育工作。选育营养价值高、类胡萝卜素含量丰富的合浦珠母贝，需要对大量个体杀死后取样本进行营养成分分析。例如中国专利申请号为201510900398.9公开了一种快速检测海洋双壳类生物体内类胡萝卜素含量的方法，包括以下步骤：(1)组织取样和预处理：选取海洋双壳类生物体闭壳肌样品若干，取样并充分冷冻后横向切片处理，获得组织切片；(2)组织切片色差检测：将组织切片采用色差仪进行检测，色差检测结果即相对红度δa；(3)总类胡萝卜素含量tcc检测：采用传统方法检测步骤(2)中进行过色差检测的组织切片的总类胡萝卜素含量tcc；(4)建立相对红度δa-tcc回归曲线：将步骤(2)中检测的组织切片的相对红度δa与步骤(3)中检测的组织切片的总类胡萝卜素含量tcc建立线性回归方程；(5)待测海洋双壳类生物体闭壳肌样品的总类胡萝卜素含量tcc检测：取待测海洋双壳类生物体闭壳肌样品，测试其相对红度δa，代入步骤(4)中建立的线性回归方程，即可获得该待测海洋双壳类生物体闭壳肌样品的总类胡萝卜素含量tcc。
3.另外，传统的实验室化学法耗时费力，检测个体不能使用，成本较高，使用的化学试剂还会对环境造成污染，因此我们寻求一种高效的合浦珠母贝化学成分含量测定方法。


技术实现要素：

4.本发明的目的在于提供一种合浦珠母贝近红外活体无损检测方法；该方法通过建立合浦珠母贝数据库，含有粗蛋白、氨基酸、脂肪酸、类胡萝卜素含量等营养指标以及合浦珠母贝相对应的光谱信息，然后通过简单的光谱扫描就可以达到营养成分定量分析和品质分级的目的，操作简单、成本低，同时兼有可靠的检测模型，对营养指标的粗蛋白、氨基酸、脂肪酸、类胡萝卜素含量检测准确性极高，填补了合浦珠母贝分级的量化指标空白，分级准确度95％以上。
5.为了实现上述目的，本发明采用以下技术方案：
6.一种合浦珠母贝近红外活体无损检测方法，包括以下步骤：
7.(1)建立合浦珠母贝品质数据库；所述合浦珠母贝品质数据库中含有营养指标以及与营养指标数值相对应的光谱信息；所述营养指标包括粗蛋白、粗脂肪、氨基酸、脂肪酸、类胡萝卜素含量；
8.(2)采用近红外光谱仪扫描合浦珠母贝活体样本，获取样本的光谱信息；
9.(3)将步骤(2)获取的样本的光谱信息输入合浦珠母贝品质数据库中，获得样本的
营养指标数值，即完成合浦珠母贝的化学成分含量测定。
10.本发明进一步说明，步骤(1)中所述建立合浦珠母贝品质数据库的具体步骤为：
11.s1、样品采集：采集不同品种合浦珠母贝，并通过近红外光谱仪扫描获取相应合浦珠母贝的近红外光谱数据；
12.s2、样品初步处理：将样品分为新鲜样品和冷冻样品，然后将样品放入液氮，最后放入冰箱保存备用；
13.s3、各项指标测定：测定样品的水分、灰分、粗蛋白、粗脂肪、糖原、脂肪酸、类胡萝卜素含量的指标数据；
14.s4、数据处理：各项指标数据以平均值
±
标准差表示，采用spss 19.0软件进行单因素方差分析及lsd法进行组间多重比较，显著性水平为p＜0.05；对不同品种合浦珠母贝的不同部位指标进行显著性差异分析，分析不同品种合浦珠母贝营养成分组成的差异；
15.s5、数学模型的建立：将不同品种合浦珠母贝的各项指标数据与合浦珠母贝的近红外光谱数据形成线性对应，建立新鲜样品和冷冻样品两个数学模型；
16.s6、数据库的建立：根据测定数据结果，建立数据库；
17.s7、对数据库进行修正：修正估测值和实测值之间的差异。
18.本发明进一步说明，所述步骤s1中，通过近红外光谱仪对不同品种合浦珠母贝的多个部位的肌肉组织进行现场收集新鲜样品的近红外光谱数据，并对应记录样品采集的合浦珠母贝的编号、年龄、性别及品种相关信息。
19.本发明进一步说明，所述步骤s2中，所述冰箱的保存温度为-80℃。
20.本发明进一步说明，所述步骤s7中，所述对数据库进行修正，具体步骤为：
21.s701、随机选取不同品种合浦珠母贝的随机部位及随机选取物种，对其进行近红外光谱数据测定；
22.s702、将近红外光谱数据输入数据库，获取合浦珠母贝的各个指标的估测值；
23.s703、对合浦珠母贝肉质不同成分进行实际测定，对比估测值同实测值之间是否存在差值，并检测其差值是否存在线性的关系；
24.s704、调整其线性关系，修正估测值和实测值之间的差异。
25.本发明检测方法中所使用的合浦珠母贝品质数据库，包括定性鉴别模块、粗蛋白测定模块、粗脂肪测定模块、脂肪酸测定模块、类胡萝卜素含量测定模块、分级模块；
26.所述粗蛋白测定模块用于对合浦珠母贝的粗蛋白营养成分进行快速测定；
27.所述粗脂肪测定模块用于对合浦珠母贝的粗脂肪营养成分进行快速测定；
28.所述脂肪酸测定模块用于对合浦珠母贝的脂肪酸营养成分进行快速测定；
29.所述类胡萝卜素含量测定模块用于对合浦珠母贝的类胡萝卜素营养成分进行快速测定；
30.所述分级模块用于综合各营养指标信息对合浦珠母贝进行精准分级；
31.所述定性鉴别模块根据光谱聚类分析结果对合浦珠母贝进行定性鉴别；所述光谱聚类分析采用近红外光谱进行分析。
32.本发明进一步说明，所述分级模块综合各营业指标信息将合浦珠母贝分为四个等级，分别为等级三、等级二、等级一和特级。
33.本发明进一步说明，所述分级模块进行精准分级时，剔除数据集中分布在各组平
均值加减两倍标准差的样本，并计算不同组别之间的脂肪含量是否存在显著性差异，若有显著性差异则划分为不同等级，若无显著差异则归为同一等级。
34.在本发明建立数据库过程中，各指标的成分测定可以采用现有常规的方法，例如：水分采用gb5009.3-2016《食品中水分的测定》常压干燥法；灰分采用gb/t 5009.4-2010《食品中灰分的测定》550℃干法；蛋白质采用gb5009.5—2016《食品中蛋白质的测定》凯氏定氮法；脂肪采用gb5009.6—2016《食品中脂肪的测定》索氏抽提法；糖原采用糖原含量测定使用enzy chrom tm糖原试剂盒(bio assay systems,usa)；多不饱和脂肪酸采用gb5009.168—2016《食品中脂肪酸的测定》水解提取法；类胡萝卜素采用gb5009.83—2016《食品中类胡萝卜素的测定》紫外分光光度计法。
35.本发明的优点：
36.本发明通过建立合浦珠母贝品质数据库，含有粗蛋白、粗脂肪、脂肪酸、类胡萝卜素含量等营养指标以及合浦珠母贝相对应的光谱信息，通过简单的光谱扫描就可以达到营养成分定量分析和品质分级的目的，操作简单、成本低；同时兼有可靠的检测模型，对营养指标的粗蛋白、粗脂肪、类胡萝卜素含量及脂肪酸检测准确性极高，填补了合浦珠母贝分级的量化指标空白，分级准确度95％以上。
附图说明
37.图1是本发明一实施例中合浦珠母贝品质数据库的近红外光谱预测模型构建流程图。
具体实施方式
38.下面结合附图对本发明进一步说明。
39.实施例：
40.一种合浦珠母贝近红外活体无损检测方法，包括以下步骤：
41.(1)建立合浦珠母贝品质数据库；所述合浦珠母贝品质数据库中含有营养指标以及与营养指标数值相对应的光谱信息；所述营养指标包括粗蛋白、粗脂肪、氨基酸、脂肪酸、类胡萝卜素含量；构建数据库的具体步骤为：
42.s1、样品采集：采集不同品种合浦珠母贝，并通过近红外光谱仪扫描获取相应合浦珠母贝的近红外光谱数据；
43.通过近红外光谱仪对不同品种合浦珠母贝的多个部位的肌肉组织进行现场收集新鲜样品的近红外光谱数据，并对应记录样品采集的合浦珠母贝的编号、年龄、性别及品种相关信息；
44.s2、样品初步处理：将样品分为新鲜样品和冷冻样品，然后将样品放入液氮，最后放入冰箱保存备用；所述冰箱的保存温度为-80℃；
45.s3、各项指标测定：测定样品的水分、灰分、粗蛋白、粗脂肪、糖原、脂肪酸、类胡萝卜素含量的指标数据；
46.s4、数据处理：各项指标数据以平均值
±
标准差表示，采用spss 19.0软件进行单因素方差分析及lsd法进行组间多重比较，显著性水平为p＜0.05；对不同品种合浦珠母贝的不同部位指标进行显著性差异分析，分析不同品种合浦珠母贝营养成分组成的差异；
47.s5、数学模型的建立：将不同品种合浦珠母贝的各项指标数据与合浦珠母贝的近红外光谱数据形成线性对应，建立新鲜样品和冷冻样品两个数学模型；
48.s6、数据库的建立：根据测定数据结果，建立数据库；
49.s7、对数据库进行修正：修正估测值和实测值之间的差异；
50.s701、随机选取不同品种合浦珠母贝的随机部位及随机选取物种，对其进行近红外光谱数据测定；
51.s702、将近红外光谱数据输入数据库，获取合浦珠母贝的各个指标的估测值；
52.s703、对合浦珠母贝肉质不同成分进行实际测定，对比估测值同实测值之间是否存在差值，并检测其差值是否存在线性的关系；
53.s704、调整其线性关系，修正估测值和实测值之间的差异；
54.(2)采用近红外光谱仪扫描合浦珠母贝活体样本，获取样本的光谱信息；
55.(3)将步骤(2)获取的样本的光谱信息输入合浦珠母贝品质数据库中，获得样本的营养指标数值，即完成合浦珠母贝的化学成分含量测定。
56.在本实施例中，合浦珠母贝品质数据库里的预测模型(数学模型)的构建流程如图1所示。在样本的光谱数据和样本目标值数据之间建立预测模型，通过获取未知样本的光谱数据，根据建立的预测模型，可以准确预测出物质含量。优秀的预测模型不仅依赖于严格的数据处理和表达能力强的模型算法，还依赖于获取的样本本身的特性，比如样本数据的精准性、数据特征能否反映样本本身的属性等。通常，开发稳健和高精度的物质含量预测模型主要包括：1.实验数据获取；2.异常样本识别和剔除；3.样本集划分为训练集和测试集；4.光谱数据预处理；5.特征波长提取；6.借助于机器学习算法建立物质目标含量的预测模型。
57.在本实施例中，对预测模型性能和稳定性的评价指标主要有以下四个：决定系数(r2)、交叉验证均方根误差(rmsecv)、预测均方根误差(rmsep)和相对分析误差(rpd)。r2用于评估样本预测值与真实值之间的相关程度，r2越接近于1，则预测值与真实值之间的相关程度越好；rmsecv用于测试模型对训练集样本的预测能力，rmsecv值越小，表明模型的预测能力越强；rmsep用于评价模型对测试集的预测能力，rmsep越小，表明模型的泛化能力越高；rpd用于评价所建模型的稳定性能，rpd越大，模型稳定性能越好，通常rpd＞3时，可用于实际运用。具体计算分别由以下公式给出：
[0058][0059][0060][0061][0062]
式中，ci和分别表示第i个样本目标的真实值和预测值，表示样本集中所有样本目标真值的平均值，n表示样本数量，sd表示预测集样本含量值标准差。
[0063]
在本实施例中，发明人主要采用美国thermo fisher公司的傅里叶近红外光谱仪
对来自3个产地的105份经过冷冻干燥和研磨处理的合浦珠母贝样本(去除闭壳肌)进行光谱扫描，通过采集的光谱数据与测定的化学真实值对比分析，检测了近红外光谱技术(nirs)对合浦珠母贝中各营养成分含量预测的准确性。利用tq analyst软件，选用偏最小二乘法(pls)，以及乘法散射校正(msc)、一阶求导、norris平滑的光谱预处理方法，建立了各成分的近红外定量分析模型，并选取1/3总样品量的样本作为验证样本，对模型进行了外部验证和交叉验证。结果表明，模型预测值与化学真实值有着很高的相关度，近红外光谱技术可以比较准确地预测合浦珠母贝中各营养成分的含量。本实验样本采集时间跨度长，产地分布范围广，数量大，具有较好的代表性，样本经过冷冻干燥处理，减少了水分对光谱质量的影响，提高了模型的准确性及稳定性。
[0064]
鉴于近红外光谱技术分析过程高效，不使用化学试剂，检测成本低，本模型的建立对开展大规模合浦珠母贝营养成分快速分析，选育肉质性状佳的新品系具有重要意义，也可以为其它水产动物的体成分定量检测提供方法借鉴。
[0065]
近红外光谱分析技术应用在水产领域的时间不算太长，主要多集中于水产品品质及其质量安全方面的研究，但考虑到近红外光谱分析技术的操作方便、分析成本低、无损、高效、环保等特点，其在水产养殖与育种领域也具有广阔的应用前景。
[0066]
显然，上述实施例仅仅是为了清楚的说明本发明所作的举例，而并非对本发明实施的限定。对于所属技术领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动；这里无需也无法对所有的实施方式予以穷举；而由此所引申出的显而易见的变化或变动仍处于本发明的保护范围之中。