基于SELECT-OLS校准模型与近红外光谱技术的植物油脂肪酸定量分析：跨羟基酪醇补充及油炸条件的统一方法

本研究针对传统气相色谱法(GC)在食用油脂肪酸分析中存在的耗时、破坏性及环境负担等问题，开发了基于近红外光谱(NIRS)与SELECT-OLS回归的统一量化模型。通过优化变量选择，仅需5-30个波长即可实现7种脂肪酸(如油酸、亚油酸等)的高精度预测(R=0.96-0.99)，在羟基酪醇(HTyr)补充及170-210°C油炸条件下均表现优异。该非破坏性方法为食用油营养标签优化和热氧化稳定性评估提供了快速、环保的解决方案，相关成果发表于《LWT》。

　　

食用油作为全球饮食的重要组成部分，其脂肪酸组成直接影响营养价值和热稳定性。然而，当前主流的脂肪酸检测方法——气相色谱(GC)存在明显短板：需要复杂的样品前处理（如脂肪酸甲酯化）、使用有害试剂、破坏样本且无法实时监测。这给食用油质量控制、营养标签准确性和油炸过程监控带来巨大挑战。特别是在高温油炸条件下，脂肪酸的氧化降解会生成有害物质，而传统方法难以快速评估这种动态变化。

针对这一技术瓶颈，研究人员在《LWT》发表了创新性研究。他们开发了一种基于近红外光谱(NIRS)与SELECT-OLS（逐步去相关-普通最小二乘法）回归的联合分析模型，实现了多种植物油在复杂处理条件下的脂肪酸快速定量。该研究涵盖了9种西班牙特级初榨橄榄油(EVOO)、精炼橄榄油(ROO)混合物、果渣橄榄油以及葵花籽油等样本，并创新性地考察了羟基酪醇(HTyr)补充和不同油炸条件(170-210°C/3-6h)对模型稳定性的影响。

关键技术方法包括：1) 采用Foss NIRSystems 5000光谱仪采集1100-2498 nm范围的光谱数据；2) 通过SELECT算法从700个波长中筛选5-30个关键变量；3) 结合OLS回归建立7种脂肪酸的预测模型；4) 采用留一法交叉验证(LOO-CV)评估模型性能。所有样本均经过GC参考分析，包括油炸前后的HTyr补充组与对照组共142个样本。

研究结果展现出系统性突破：

NIR光谱解析
在1208 nm和1392 nm处的吸收峰与游离脂肪酸含量相关，而1724 nm和1900 nm处的特征峰分别对应C-H倍频振动和氧化进程。2144 nm处的C=O伸缩振动可有效监测醛酮类降解产物，这些光谱特征为模型构建提供了理论基础。

SELECT-OLS变量选择
针对不同脂肪酸筛选出特异性波长组合：肉豆蔻酸(29个波长)的关键预测波段2472 nm与高级脂质降解相关；油酸模型仅需19个波长，其中1710 nm(权重0.79)能灵敏反映初级氧化产物；亚油酸的预测仅需5个波长即达到R=0.99的极佳相关性。

模型验证性能
所有脂肪酸的预测模型均表现出色：油酸(LOOEV=88.02%)、亚油酸(LOOEV=98.16%)等关键指标的预测误差显著低于传统方法。特别值得注意的是，模型在HTyr补充样本中仍保持稳定，证实了其对抗氧化剂干扰的适应性。

油炸条件影响
高温(210°C)长时间(6h)油炸显著增加2392 nm等波段的吸收强度，对应脂肪酸降解加剧。而HTyr补充组在相同条件下表现出更低的氧化标志物信号，这与该多酚的抗氧化特性相符。品种差异分析显示Picual和Koroneiki等EVOO因高油酸含量和酚类物质而具有最优稳定性。

这项研究的重要意义体现在三个方面：方法学上，SELECT-OLS通过波长优选解决了NIRS数据高维度带来的过拟合问题，将变量压缩96%仍保持高精度；应用价值上，模型可实时监控油炸过程中脂肪酸变化，为餐饮业用油安全提供新工具；产业影响方面，该技术无需样品前处理，单次检测成本仅为GC的1/10，有望成为行业标准。

研究还揭示了有趣的生物学现象：HTyr通过保护多不饱和脂肪酸(PUFA)减少醛类生成，这与作者团队先前发现的HTyr降低过氧化值(PV)和K₂₃₂
的结果相互印证。模型筛选出的波长组合(如2346 nm对硬脂酸的预测)为开发专用便携式检测设备提供了光学设计依据。未来研究可扩展至更多油种(如菜籽油、鳄梨油)，并探索与物联网技术的集成应用。

这项发表于《LWT》的工作，不仅建立了首个覆盖HTyr补充和油炸条件的统一脂肪酸预测模型，更通过创新的SELECT-OLS方法为食品光谱分析设立了新标准，其"少即是多"的变量选择理念对复杂基质分析具有普适性指导价值。