可见/近红外光谱在牛肉生化指标分析中的应用：设备选择与采样策略对预测精度的影响

《Meat Science》：Visible/near infrared spectroscopy in muscle beef analysis: How device choice and sampling affect prediction accuracy

　　

本研究评估了三种光谱设备——两台便携式仪器（一台工作于近红外区域的FlameNIR和一台工作于可见光区域的IndiGo Vis）以及一台台式可见/近红外（Vis/NIR）光谱仪（NIRS? DS2500）——预测牛肉生化品质性状的能力。此外，针对台式设备，研究人员比较了两种扫描策略：直接分析用于实验室参考测量的混合样品（Pooled）与扫描单个样品后取平均光谱（Ind_Av）。共采集了来自五个欧洲国家55个育肥场的497份背最长肌（LTL）样品，最终获得99个混合样品（以农场×屠宰批次为实验单元）。采用偏最小二乘回归（PLSR）建立预测模型，涵盖常规营养成分、脂肪酸（FAs）、铁含量、B族维生素、矿物质、硫代巴比妥酸反应物（TBARS）及二肽等指标。结果表明，基于DS2500设备在Ind_Av数据集上建立的模型性能最优，显著优于其在Pooled数据集上的表现，也优于两台便携式设备。其中，水分（R2Pred=0.85；RPDPred=2.5）、干物质基础蛋白质（proteinDM）（R2Pred=0.85；RPDPred=2.5）、饱和脂肪酸（SFAs）（R2Pred=0.65；RPDPred=1.6）和单不饱和脂肪酸（MUFAs）（R2Pred=0.68；RPDPred=1.7）获得了良好的预测效果。尤为突出的是，总铁（R2Pred=0.79；RPDPred=2.2）和血红素铁（R2Pred=0.93；RPDPred=3.9）的预测精度极高。尽管IndiGo Vis便携设备在预测铁含量方面表现出较好潜力（总铁R2Pred=0.69；血红素铁R2Pred=0.77），但其整体性能仍不及台式设备。本研究表明，Vis/NIR光谱技术可有效预测牛肉的某些生化性状，但便携式近红外（NIR）设备仍需进一步优化。同时，扫描单个样品再取平均光谱的策略优于直接扫描混合样品，为大规模检测项目的采样方案设计提供了重要参考。

一、研究背景与目的

牛肉品质的保障是提升牛肉市场竞争力、影响生产者经济效益和消费者产品认知的关键环节。现代消费者越来越关注所购食品的营养特性，而牛肉的生化属性（如肌内脂肪含量、脂肪酸谱、矿物质和维生素含量）对其食用品质和健康影响至关重要。然而，传统的实验室检测和质量控制方法通常耗时费力、依赖有害化学试剂、成本高昂且具有破坏性。因此，食品市场的质量保证迫切需要更新分析监测和采样程序，发展现代、高效、经济的分析技术。在此背景下，光谱技术提供了一种快速、环境友好、多参数且非侵入性的肉类品质预测手段。近红外光谱（NIRS）已被证明在验证肉类真实性（物种鉴定、地理起源和生产系统）以及定量评估品质参数方面具有良好前景。尽管大多数光谱检测系统专为实验室应用设计，但近年来便携式仪器的发展使得更紧凑、易用且成本效益更高的设备得以问世，拓宽了红外光谱在肉类品质保证中的适用场景。

然而，不同设备（尤其是便携式与台式设备）在不同光谱区域的表现差异，以及样品呈现方式（如混合样品与单个样品扫描）对预测精度的影响，尚需系统评估。因此，本研究旨在实现两个目标：第一，比较三种不同仪器（两台便携式设备和一台台式Vis/NIR光谱仪）获取的光谱数据在预测牛肉生化性状方面的性能，评估不同光谱范围和设备类型对性状预测的贡献；第二，针对台式Vis/NIR仪器，研究样品呈现方式的影响，比较直接分析用于参考实验室测量的混合样品与扫描单个样品后进行光谱平均以匹配混合值的两种策略。

二、研究方法与技术路线

研究人员从INTAQT项目框架下的五个欧洲国家（瑞士、西班牙、法国、意大利和英国）的55个育肥场采集了497份背最长肌（LTL）肌肉样品。每份混合样品由同一农场和屠宰批次的动物个体样品经液氮研磨后混合而成，共得到99个混合样品作为实验单元。研究采用了三台光谱设备：两台便携式设备，即覆盖近红外区域（935.4–1664.8 nm）的FlameNIR（FN）和覆盖可见光区域（380–780 nm）的IndiGo Vis（IG）；以及一台覆盖全Vis/NIR范围（400–2500 nm）的台式设备NIRS? DS2500（DS）。对于便携式设备，光谱采集直接在完整的牛排表面进行，每个样品进行10次重复扫描并经过滤和平均处理；对于台式设备，则使用均质化后的样品（约5克）填充环形杯进行测量，每个样品进行两次重复并取平均。特别地，DS设备的光谱既在单个均质化样品上采集（Ind），也在用于参考分析的混合样品上采集（Pooled），随后将属于同一混合样品的单个光谱进行数学平均（Ind_Av）以与混合参考值对应。所有光谱数据经过多种预处理（包括散射校正如MSC、SNV，以及数学变换如Norris导数结合Savitzky-Golay平滑）后，采用偏最小二乘回归（PLSR）建立预测模型，并通过留一法交叉验证确定最优模型，最终使用独立预测集进行外部验证。

三、研究结果

3.1 生化参考数据

牛肉样品的常规成分显示，平均含水量为73.3%，湿重蛋白（protein_WM）为22.5%（干物质蛋白protein_DM为84.4%），脂肪含量为3.1%。水分和蛋白质的变异系数（CV）很低（分别为1.7%和3.0–4.1%），而脂肪含量的变异性较高（38.2%）。饱和脂肪酸（SFAs）是最丰富的脂类（占总脂肪酸的49.2%），主要由棕榈酸和硬脂酸组成；单不饱和脂肪酸（MUFAs）占44.5%，以油酸为主；多不饱和脂肪酸（PUFAs）仅占6.3%。总铁含量平均为17.7 mg/kg肌肉，其中93%以血红素铁形式存在（平均16.4 mg/kg）。硫代巴比妥酸反应物（TBARS）值高度可变（CV=99.3%），平均为0.47 mg丙二醛/kg肌肉。肌肽和鹅肌肽含量分别为421.2 mg/100g和54.1 mg/100g。B族维生素含量各异，锌含量平均为43.5 mg/kg，硒含量平均为107.5 μg/kg。

3.2 光谱数据与建模

平均光谱显示，完整样品读数（FN和IG）的吸光度值高于研磨样品（DS）。建模过程中，不同设备和性状保留的潜在变量（LVs）数量各异（FN：1–5个；DS：1–10个；IG：4–9个）。光谱异常值比例在FN数据集中最高（平均5%），DS数据集中最低（平均3%）。在所有品质性状中，最佳预测模型均来自DS设备在Ind_Av数据集上的结果，其性能显著优于DS在Pooled数据集以及FN在Ind_Av数据集上的表现。具体而言，水分获得了良好的预测方程（R2_Pred=0.85；RPD_Pred=2.5）；蛋白质以干物质基表达时精度更高（protein_DM：R2_Pred=0.85；RPD_Pred=2.5）；脂肪含量表现为中等精度（R2_Pred=0.51；RPD_Pred=1.4）。对于脂肪酸组，MUFAs和SFAs获得了良好的预测精度（R2_Pred≥0.65）。在个别脂肪酸中，油酸、棕榈酸和顺式-异油酸的R2_Pred均超过0.60。最突出的结果是，血红素铁获得了极佳的预测方程（R2_Pred=0.93；RPD_Pred=3.9），总铁也达到了较高的预测精度（R2_Pred=0.79；RPD_Pred=2.2）。相比之下，TBARS、肌肽、鹅肌肽、锌、硒、B族维生素及剩余脂肪酸的预测精度较低（R2_Pred<0.50）。

四、讨论与结论

讨论部分首先确认了本研究的参考值与已有文献数据高度一致，表明样品群体具有代表性。在比较不同红外工具策略时，研究发现DS台式设备的预测模型优于便携式FN和IG设备，这归因于仪器特性（如光谱范围和分辨率）和样品制备方案的双重差异：DS设备使用液氮研磨的均质化样品，而便携式设备使用完整牛排，前者更高的均匀性有利于建立稳定的校准模型。同时，IG设备在预测总铁和血红素铁方面表现优于FN，因为其覆盖的可见光谱区与血红蛋白色素（如肌红蛋白）的吸收带密切相关，而铁特别是血红素铁正结合在这些色素中。

关于样品制备策略的比较，基于Ind_Av光谱的模型在所有品质性状上均一致优于基于Pooled数据集的模型。这可能是因为混合过程引起了物理化学变化（如化学成分浓度稀释、灵敏度降低或不充分均质化），导致混合样品的光谱不再完全反映原始样品的微观结构，且混合样品的光谱采集可能仅代表匀浆的一小部分，不具有完全的代表性。这一发现提示，在大规模项目中，虽然生化分析可以可靠地在混合样品上进行，但在光谱采集阶段对单个样品进行测量后再进行数学合并，可以获得更好的预测精度。

最后，在讨论预测模型时，研究指出蛋白质含量预测的挑战源于其在牛肉组织中较窄的浓度范围，但以干物质基表达时预测性能显著提升，这与去除了水分干扰有关。脂肪酸的预测结果与文献一致，主要脂肪酸（如SFAs和MUFAs）预测可靠性高，而微量脂肪酸和PUFAs预测能力差，原因是其浓度低、双键多导致NIR区域可检测性降低。特别值得强调的是，铁含量尤其是血红素铁的预测表现极为出色，RPD_Pred值达到3.9，属于可用于过程控制的优秀水平。这一结果与早期研究相符，证实了利用红外光谱预测肉品中铁含量的可行性。

研究结论：本研究表明，基于台式Vis/NIR设备（NIRS? DS2500）开发的校准方程在预测牛肉常规营养成分、主要脂肪酸及总铁和血红素铁含量方面表现出良好精度，优于便携式设备。尽管便携式IndiGo Vis设备在预测铁含量方面显示出较好的现场应用潜力，但便携式近红外设备仍需进一步优化以增强其对品质性状的预测能力。在采样策略方面，虽然生化分析可可靠地基于混合样品进行，但基于红外数据的预测受益于在混合参考数据之前对单个样品进行光谱采集。