基于近红外光谱与化学计量学快速评估面包小麦粉质拉伸特性的创新方法

本研究针对传统Farinograph（粉质仪）和Extensograph（拉伸仪）检测小麦面团流变特性耗时费力的问题，开发了基于近红外光谱（NIRS）的高通量预测模型。研究团队通过1082份小麦样本数据集，结合多种光谱预处理和算法，建立了粉质仪吸水率（FWA）的高精度预测模型（R2v=0.90，RPD=3.20），并对其他流变参数实现80.23%-94.27%的定性分类准确率，为小麦育种和食品加工提供了高效检测工具。

　　

研究背景与意义
面包小麦（Triticum aestivum L.）作为全球主粮作物，其面团流变特性直接决定烘焙品质。传统粉质仪（Farinograph）和拉伸仪（Extensograph）虽能精准测定吸水率（FWA）、面团稳定性（DS）等参数，但存在样本需求量大、操作繁琐的瓶颈，难以满足现代育种和食品工业的高通量需求。近红外光谱（NIRS）技术凭借快速、无损的优势，已在蛋白质、淀粉含量检测中广泛应用，但针对复杂流变特性的预测仍面临挑战——例如前期研究对拉伸仪参数（如能量E、延伸性Ext）的建模覆盖不足，且样本规模有限导致模型泛化性差。

中国农业科学院作物科学研究所的Zihui Zhao团队在《Food Research International》发表研究，通过整合1082份中国主产区小麦样本的多年度数据，系统开发了NIRS流变特性预测模型。该研究不仅实现了粉质仪吸水率（FWA）的高精度定量预测（R²v=0.90），还首次对拉伸仪参数（如最大抗延阻力Rmax）建立了有效分类模型，为小麦品质快速筛选提供了突破性解决方案。

关键技术方法
研究团队收集了中国冬麦区3年度的1082份代表性样本，涵盖不同品种和育种系。采用傅里叶变换近红外光谱仪采集光谱数据，结合多元散射校正（MSC）、标准正态变换（SNV）等预处理方法优化信号。通过竞争性自适应重加权采样（CARS）筛选特征波段，并对比偏最小二乘回归（PLSR）、支持向量机（SVM）等算法性能。模型验证采用独立数据集，以决定系数（R²）、相对预测偏差（RPD）和分类准确率评估效果。

研究结果

1. 样本流变特性分析
   校准集与验证集的参数范围与变异系数高度一致，如FWA均值分别为61.4%和61.2%，证实样本代表性。拉伸仪参数中，能量（E）变异系数达28.3%，凸显建模难度。

2. 粉质仪参数模型性能
   PLSR对FWA的预测最优（R²v=0.90，RPD=3.20），显著优于既往研究。面团稳定性（DS）模型RPD达2.58，满足筛选需求；而面团形成时间（DDT）预测性能较低（RPD=1.89），与参数本身的高变异特性相关。

3. 拉伸仪参数分类模型
   通过SVM构建的定性模型对延伸性（Ext）分类准确率达94.27%，最大抗延阻力（Rmax）为86.41%，填补了NIRS在该领域的应用空白。

4. 变量选择与算法比较
   CARS算法将光谱变量从1557个缩减至58个，提升模型效率；PLSR在定量分析中表现稳定，而SVM更适用于分类任务。

结论与展望
该研究建立了目前规模最大的小麦流变特性NIRS预测体系，其中FWA模型的RPD值突破3.0的技术阈值，可直接用于育种早期筛选。对拉伸仪参数的分类模型虽未达定量水平，但为工艺调整提供了快速判别工具。值得注意的是，模型性能差异反映了参数本身的生物学复杂性——例如DDT受多种蛋白互作调控，而FWA主要依赖淀粉吸水特性，后者更易被光谱捕获。

未来研究可结合基因组数据揭示流变特性的分子基础，进一步提升模型解释性。团队建议将NIRS集成至育种流水线，与分子标记形成互补，加速优质小麦品种选育。这一成果不仅推动了中国小麦品质检测的技术革新，也为全球粮食产业链的智能化升级提供了范式。