高光谱成像结合偏最小二乘回归无损预测芝麻粕蛋白分离物基植物肉模拟物的质构特性

《FOOD SCIENCE AND BIOTECHNOLOGY》：Nondestructive prediction of textural properties of model plant-based meat analogs prepared with sesame seed meal protein isolate using hyperspectral imaging

　　

质构是植物基肉类模拟物（plant-based meat analogs, PMAs）的关键品质属性，传统上采用破坏性方法进行评估。本研究评估了高光谱成像（hyperspectral imaging, HSI）结合偏最小二乘回归（partial least squares regression, PLSR）用于无损预测以芝麻粕蛋白分离物（sesame seed meal protein isolate, SMPI）配制的模型植物基肉类模拟物的六种质构属性的可行性。研究人员对覆盖广泛质构范围的80个样品在900–1700 nm波段进行成像，并利用其光谱开发PLSR模型。硬度（R2CV = 0.882, RPD = 2.92）、回复性（0.865, 2.74）和咀嚼性（0.829, 2.44）的模型显示出足够的预测性能。内聚性和黏附性表现有限，而弹性未能建立有效模型。变量重要性投影（variable importance in projection, VIP）分析识别出1200 nm以下的信息波长区域。综上，HSI–PLSR在PMAs选定质构属性的无损评估方面展现出潜力。

一、研究背景与问题

植物基肉类模拟物（plant-based meat analogs, PMAs）因应可持续性、健康及伦理关切而受到广泛的商业和研究关注。其感官与营养属性——尤其是质构、结构、风味、外观及营养充分性——是消费者接受度的核心。因此，对PMA品质属性进行客观、系统的评估对于产品开发、工艺优化及确保产品质量一致性至关重要。

然而，PMA的质构通常通过机械测量如质构剖面分析（texture profile analysis, TPA）来评估，但传统的TPA因探针与样品直接接触会造成不可逆的结构损伤，限制了无损或连续品质评估的可能性。此外，在多条件下筛选配方需要对每种条件下的多个重复样品进行单独测量，这限制了常规质构分析在大规模样品集筛选中的效率。近红外光谱技术因其可反映蛋白质含量、结构及物理状态信息，被提出作为克服上述限制的有前景的替代方案。高光谱成像（hyperspectral imaging, HSI）整合了成像与光谱信息，可提供空间分辨的光谱数据。尽管已有研究将HSI结合PLSR用于预测PMA的水分含量和硬度，但此类研究多集中于可见-近红外区域（400–1000 nm），未包含更长波长的近红外信息（如1200 nm附近的C-H倍频及1450 nm附近的第一水倍频）。此外，针对PMA的多项TPA属性预测的适用性尚不明确。因此，有必要探索利用HSI结合PLSR同时预测多种PMA质构属性的可行性。

二、研究内容与意义

本研究首次尝试评估利用HSI预测以芝麻粕蛋白分离物（sesame seed meal protein isolate, SMPI）制备的模型PMA（model plant-based meat analogs, mPMAs）的综合质构属性的可行性。研究人员制备了不同水分含量的SMPI基mPMA样品，建立了基于HSI光谱数据的PLSR模型，用以预测硬度、咀嚼性、内聚性、回复性、黏附性和弹性等六项主要质构属性，并通过变量重要性投影（variable importance in projection, VIP）分析识别有效波长区域。该研究揭示了PMA质构属性与光谱特性之间的关联，为开发精简波长的快速质控传感系统提供了基础。

三、关键技术方法

1. 1.
   样品制备：从冷榨芝麻粕中提取SMPI（粗蛋白含量77.80%），并与蒸馏水混合（浓度25–35 wt%）制备mPMA样品，经水浴热处理后获得共81个初始样品。
2. 2.
   高光谱成像（HSI）：采用推扫式线扫描HSI系统，在900–1700 nm范围内以436个波段采集反射率图像，经白板与暗场校正后，通过阈值分割提取每个样品的感兴趣区域（region of interest, ROI），并计算平均反射光谱。
3. 3.
   质构剖面分析（TPA）：使用质构仪对原始圆柱形样品进行两次连续压缩循环（40%应变，间隔5秒），测定硬度、咀嚼性、内聚性、回复性、黏附性和弹性。
4. 4.
   光谱预处理与建模：评估了Savitzky–Golay平滑、标准正态变量变换（standard normal variate, SNV）、多元散射校正（multiplicative scatter correction, MSC）及最小-最大归一化四种预处理方法。采用留一法交叉验证（leave-one-out cross-validation, LOO-CV）和20次随机8:2拆分验证来评估PLSR模型的预测性能，并以决定系数（R2）、均方根误差（RMSE）和残差预测偏差（residual predictive deviation, RPD）为评价指标。
5. 5.
   有效波长选择：通过VIP分析识别各质构属性预测中的重要波长区域（VIP > 1），并比较全光谱模型与选定波长模型的性能。

四、研究结果

1. 水分含量与质构剖面分析

mPMA样品的水分含量范围为48.16%–66.86%。硬度与咀嚼性的组均值范围宽广（分别为5,461.82–38,388.95 g和3,353.62–29,245.88 g），且较低水分含量的样品倾向于具有更高的硬度和咀嚼性。内聚性与回复性也呈现组间差异，而弹性变化范围狭窄（0.89–0.95），表明样品在抗变形能力上的差异远大于恢复能力。

2. 模型植物肉模拟物的光谱特征

所有样品的反射光谱模式相似，在970 nm（O-H第二倍频）、1200 nm（C-H第二倍频）和1450 nm（O-H第一倍频）附近出现吸收谷。样品间反射率的变异在1000–1100 nm和1200–1400 nm区域较大，而在1450 nm附近因强水吸收导致信号微弱。光谱异常值检验未剔除任何样品，最终80个样品用于模型开发。

3. 质构预测模型的性能

PLSR模型在不同质构属性上的预测性能差异显著。硬度（R²_CV = 0.882, RPD = 2.92）、回复性（R²_CV = 0.865, RPD = 2.74）和咀嚼性（R²_CV = 0.829, RPD = 2.44）表现出足以用于区分判别的预测性能，其中硬度最佳。内聚性（R²_CV = 0.669, RPD = 1.75）和黏附性（R²_CV = 0.607, RPD = 1.61）性能有限。弹性未能建立有效模型（R²_CV = ?0.034, RPD = 0.99），主要归因于其极低的变异系数（4.5%）。研究指出，现有模型的性能已接近由参考测量重现性所决定的理论上限（硬度、咀嚼性、回复性的理论R2上限为0.90–0.93，模型达到89–97%）。不同预处理方法间的性能差异很小。

4. 质构预测的重要波长区域

VIP分析显示，硬度、回复性和咀嚼性三个属性共享109个共同选择的波段，集中在900–1036 nm、1134–1145 nm和1171–1213 nm区域，这些区域包含水的O-H第二倍频和C-H第二倍频吸收。回复性还额外选择了1322–1359 nm区域。所有五个属性共有85个共同波段。1400 nm以上区域未被任何属性选中，可能因其信息已被短波区域所涵盖。基于VIP的波长选择虽未提升预测精度，但将变量数量减少至原光谱的34–41%，其中硬度模型的波段数减少66%而R²_CV仅从0.882略降至0.862。嵌套验证表明，对于硬度、回复性和咀嚼性，波长选择稳定性良好。

五、结论与讨论

本研究表明，HSI结合PLSR能够实现对以SMPI制备的mPMA的选定质构属性（特别是硬度、回复性和咀嚼性）的无损预测。VIP分析识别出了信息丰富的光谱区域，并大幅减少了预测所需的变量数量，为开发精简波长的快速质构评估传感系统奠定了基础。然而，该研究基于单一材料体系的80个样品，未来需要在独立批次及更广泛的材料和加工条件下进行验证，以评估该方法的普适性。研究结论指出，HSI–PLSR在PMA选定质构属性的无损评估方面展现出潜力。