基于中红外光谱的牛奶游离脂肪酸精准预测：突破脂肪水解监测瓶颈，守护乳品风味品质

乳业长期面临脂肪水解导致风味劣变的难题。本研究创新性结合中红外光谱（FT-MIR）与化学计量学，开发了牛奶中短链游离脂肪酸（SCFFA）的定量预测模型。通过机械诱导扩大数据变异性，成功实现对丁酸（C4）及总短链脂肪酸的高精度预测（验证R2>0.7），为乳制品风味缺陷的实时监控提供了高效解决方案。

　　

乳制品行业长期被一个顽固问题所困扰：牛奶中的脂肪在挤奶后容易发生水解，产生游离脂肪酸（Free Fatty Acids, FFA），尤其是那些短链的FFA，如丁酸（C4）、己酸（C6）和辛酸（C8），它们带有强烈的哈败味、肥皂味或苦涩味，严重损害乳制品的风味和消费者接受度。这个过程被称为脂肪水解（Lipolysis），主要由牛奶中固有的脂蛋白脂肪酶（Lipoprotein Lipase, LPL）在挤奶、运输、储存过程中因机械冲击被激活所引发。随着自动挤奶系统（Automatic Milking Systems, AMS）的普及，挤奶频率增高，牛奶脂肪球稳定时间缩短，更易发生水解，使得这一问题日益突出。

然而，精准监测个体FFA含量却异常困难。传统化学分析方法如气相色谱-串联质谱（GC-MS/MS）虽精准但耗时费力、成本高昂，无法用于大规模常规检测。现有的基于傅里叶变换中红外光谱（Fourier Transform Mid-Infrared spectroscopy, FT-MIR）的预测模型又只能估算总FFA含量，无法区分具体是哪些FFA导致了风味问题。因此，开发一种能够快速、准确预测牛奶中个体FFA，特别是短链FFA（SCFFA）的方法，对于乳品行业进行前瞻性质量控制和风味管理具有重要意义。

为此，来自比利时瓦隆农业研究中心（CRA-W）的Octave Christophe、Romain Reding等研究人员在《Journal of Dairy Science》上发表了一项深入研究。他们利用FT-MIR光谱技术结合化学计量学方法，旨在开发能够定量预测牛奶中从C4到C18:1的个体FFA含量的新模型，重点关注对风味影响最大的短链FFA。

为开展研究，团队构建了包含792份牛奶样本的大规模数据集，样本来源覆盖卢森堡、比利时、法国和德国的个体奶牛和奶罐奶，涉及蒙特贝利亚德、荷斯坦等5个品种。研究关键策略在于通过机械诱导（涡旋、通气、高压均质及不同储存时间）人为扩大样本中FFA的浓度范围和变异性，以提升模型性能。核心技术方法包括：1) 使用GC-MS/MS作为参考方法精确量化个体FFA；2) 采用FT-MIR光谱仪采集牛奶光谱并进行标准化和预处理（如一阶导数处理）；3) 运用偏最小二乘（PLS）回归算法构建预测模型，并通过10折交叉验证和外部验证集（20%样本）评估模型性能（R2、RMSE）；4) 设计巴氏杀菌验证试验以确认模型预测的是FFA含量而非物理结构变化。

研究设计与样本处理

研究分为两个阶段：第一阶段仅使用自然水解样本尝试构建预测方程，但发现由于自然水解程度低，大多数样本的SCFFA含量低于定量限（LOQ），模型性能不佳。第二阶段引入了机械诱导水解样本，显著增加了数据变异性。样本处理严格遵循国际动物记录委员会（ICAR）指南，部分样本在挤奶场直接分装并冷冻送检，另一部分新鲜样本送至实验室进行均质等处理后再分装进行同步光谱和参考分析，以避免水解持续进行。

机械诱导脂肪水解的效果

研究人员测试了涡旋、通气和高压均质结合不同储存时间三种诱导方法。结果表明，涡旋处理（尤其是对冷冻样本）能增加SCFFA，但会改变牛奶结构，不适合用于构建适用于新鲜奶的模型。通气处理效果微弱。高压均质（200 bar）结合储存被证明是最有效的方法，它能显著破坏牛奶脂肪球膜（Milk Fat Globule Membrane, MFGM），减小脂肪球尺寸，使甘油三酯更易被LPL水解。显微镜观察证实均质后脂肪球更小、更聚集，MFGM变得不清晰。随储存时间延长（最多48小时），SCFFA浓度持续显著上升，这与此前报道的LPL对甘油三酯sn-1和sn-3位点的特异性（短链脂肪酸多位于sn-3位）相符。

游离脂肪酸模型的开发与性能

利用PLS回归，研究人员分别基于自然水解数据集、诱导水解数据集和完整数据集（合并两者）构建了预测各FFA的模型。性能评估显示：

• •

  仅自然水解模型：由于SCFFA变异性极低，模型预测性能很差（验证R2为负值），无法用于预测。

• •

  仅诱导水解模型：SCFFA模型的交叉验证性能显著提升（R2cv在0.50-0.72之间），但外部验证时性能下降明显，表明模型稳健性不足。

• •

  完整数据集模型：性能最优。其中，丁酸（C4）和总短链FFA（SCFFA）的预测模型表现突出，验证R2分别达到0.84和0.77，RPD（相对预测偏差）分别为2.53和2.10，表明它们可用于粗略筛选。C6和C8模型验证R2约为0.6，性能尚可但需进一步改进。中链（MCFFA）和长链FFA（LCFFA）的模型预测性能普遍较差（验证R2多低于0.3），这与机械诱导主要影响sn-3位点（富含短链脂肪酸）而长链脂肪酸多位于sn-2位点，不易被水解的机理一致。

巴氏杀菌验证测试

为确保模型预测的是FFA化学含量而非均质处理带来的物理结构干扰，研究进行了验证实验。将牛奶先经巴氏杀菌（72°C, 10分钟）以灭活LPL，再进行均质和储存。结果显示，经均质处理的巴氏杀菌奶与未均质处理的巴氏杀菌奶，其预测误差（RMSE）相近且均低于模型验证误差，证实模型确实是在预测FFA含量，而非受牛奶物理结构变化的干扰。

研究结论表明，利用FT-MIR光谱结合化学计量学方法预测牛奶中的个体FFA含量是可行的。通过引入机械诱导水解样本扩大数据变异性，成功构建了对乳品风味至关重要的短链FFA（特别是C4和总SCFFA）的稳健预测模型，其性能（R2val > 0.7）足以满足实际生产中的粗略筛查需求。相比之下，中链和长链FFA的模型预测能力有限。

讨论部分强调，该研究的成功之处在于找到了有效提升模型训练集变异性的方法（高压均质结合储存），并通过了严谨的验证实验。所开发的预测模型为乳品行业提供了一种快速、高效、低成本监测牛奶脂解程度和潜在风味缺陷的新工具，有助于生产者及时采取预防和纠正措施，最终提升产品质量和消费者满意度。未来研究可探索开发分类模型（如区分高/低FFA）或进一步优化模型以提升对C6、C8等其它SCFFA的预测精度。