通过化学分析和近红外光谱技术研究爱尔兰乳品行业牛奶成分的季节性变化：一项为期12个月的研究

《International Journal of Dairy Technology》：Seasonal variation in Irish industry bovine milk composition characterised by chemical analysis and near-infrared spectroscopy: A 12-month study

　　摘要

研究背景
牛奶的成分是影响最终奶酪质量和产量、工厂效率以及奶酪加工厂整体盈利能力的重要因素。然而，牛奶的成分会随季节变化而变化。本研究旨在调查爱尔兰牛乳中关键成分的季节性变化，并评估近红外（NIR）光谱技术在快速预测原奶成分方面的潜力，以指导上游加工过程。

方法
本研究通过对爱尔兰各地工业规模储罐中采集的555个均质化牛乳样本进行12个月的分析，全面研究了关键牛奶成分的季节性波动。同时，还评估了近红外（NIR）光谱技术在凝乳酶诱导凝固前快速检测原奶中关键成分（如总固形物、总蛋白、脂肪、酪蛋白、乳糖和离子钙）的可行性。研究采用了主成分分析（PCA）和偏最小二乘法（PLS）回归，并通过决定系数（R2cv）、交叉验证均方根误差（RMSEcv）、预测标准误差与样本标准差之比（RPD）以及误差范围比来评估PLSR模型的性能。

主要发现
湿化学分析显示牛奶成分存在明显的季节性趋势。PCA分析显示冬季样本与春季和夏季样本有明显的区分。脂肪含量的预测准确性很高（R2cv = 0.92，RMSEcv = 0.11，RERcv = 14.53，RPDcv = 3.46），总蛋白和酪蛋白含量的预测性能也不错（R2cv ≥ 0.81，RMSEcv ≤ 0.11，RERcv ≥ 9.85，RPDcv ≥ 2.31）。然而，总固形物、乳糖和离子钙的预测模型准确性较低（R2cv ≤ 0.59，RMSEcv ≥ 0.10，RERcv ≤ 7.17，RPDcv ≤ 1.54），表明需要进一步研究。

工业意义
总体而言，本研究通过使用大规模储罐中的样本验证了NIR方法在实验室和工业应用之间的差距，为乳制品加工中的快速、实时成分分析迈出了重要一步。

引言
原奶的成分是决定牛奶分离为奶酪、黄油、奶粉和奶油等乳制品的重要因素，如图1所示。图1展示了不同乳制品生产过程中的主要步骤，其中原奶的摄入是所有产品的初始步骤。原奶的成分（如总固形物、总蛋白、脂肪、酪蛋白、离子钙和乳糖）是牛奶凝固的关键决定因素，这一过程将液态牛奶转化为具有理想粘弹性的固体——这是奶酪制作中的关键步骤（Guinee等人，2006年）。原奶中的总固形物和总蛋白、脂肪、酪蛋白、乳糖及离子钙的浓度强烈影响牛奶的凝固特性，从而影响奶酪的产量、风味和质地（Clark和Sherbon，2000年；Wedholm等人，2006年；Pazzola等人，2019年）。牛奶中的总固形物含量决定了可用于凝乳形成的固体量，直接影响奶酪的产量、凝固时间和凝固硬度（Clark和Sherbon，2000年）。原奶中的总固形物含量越高，奶酪的产量越高。总固形物含量还与奶酪中的水分含量呈负相关，即牛奶中的总固形物含量越高，奶酪凝块中的水分含量越低。较低的水分含量有助于形成更紧密、更坚实的奶酪质地，延长保质期，并提高奶酪制造商的经济效益（Clark和Sherbon，2000年）。牛奶脂肪影响奶酪的风味和质地（Clark和Sherbon，2000年；Verdier-Metz等人，2001年；Logan等人，2017年）。脂肪在酶或添加到牛奶中的菌株的作用下发生分解，产生游离脂肪酸和其他风味化合物（Deeth，2006年）。脂肪的分解有助于形成奶酪特有的风味，如坚果味、黄油味和果味（Wang等人，2021年）。原奶中的脂肪含量越高，奶酪越奶油化、口感更丰富、更顺滑（Mouritsen和Styrb?k，2017年）。牛奶蛋白对奶酪的质地和结构有贡献（Cipolat-Gotet等人，2018年）。四种酪蛋白（αS1、αS2、β和κ-酪蛋白）占牛奶总蛋白的80%，负责奶酪凝块的形成（Oka等人，2018年；Li和Zhao，2019年）。在奶酪制作过程中，向牛奶中加入凝乳酶或酸，使酪蛋白凝固形成凝胶状结构（Oka等人，2018年；Li和Zhao，2019年）。牛奶中主要大分子蛋白组分（如酪蛋白与乳清的比例）的季节性变化会对奶酪制作过程中的流变特性产生重大影响，例如凝胶形成、凝块硬化和析水（Guinee等人，2006年；Amalfitano等人，2019年）。随着牛奶中总酪蛋白含量的增加，凝乳酶的凝固时间缩短，凝固速度加快。离子钙在凝块形成和稳定性中起关键作用，它与酪蛋白上的磷酸基团交联，增强蛋白质网络并稳定凝块结构（Li和Zhao，2019年）。酪蛋白胶束的结构对离子强度的变化敏感；牛奶中的最佳钙水平能确保形成保持水分并包裹脂肪颗粒的凝块（Li和Zhao，2019年）。乳糖是牛奶中的主要碳水化合物，约占总固形物的40%（Alessio等人，2016年）。原奶中乳糖含量低会抑制奶酪生产的凝固过程（Leitner等人，2011年）。乳糖是乳酸菌（LAB）的主要碳水化合物底物。当乳糖含量低时，LAB可发酵的底物减少，导致乳酸产量降低，发酵过程中牛奶pH值下降不足。由于凝乳酶的凝固在大约6.2至6.4的pH范围内最优化，酸化不足会导致凝块形成较弱或不足。原奶的成分还会因牛的品种、泌乳阶段、季节和饮食而变化，这对生产过程、产量和最终产品的质地有显著影响（Leitner等人，2011年；Hayes等人，2023年）。例如，蛋白质成分的变化可能导致奶酪生产过程中的凝固效果不佳，可能干扰凝块的形成和硬度。为了减少牛奶成分的季节性变化对加工效率、产品质量和产量的影响，牛奶标准化是乳制品加工中的关键步骤。这一过程涉及调整原奶的关键成分参数（如脂肪、蛋白、酪蛋白含量、蛋白与脂肪比例、凝乳酶与酪蛋白比例、总固形物和钙离子水平），以满足各种乳制品生产的特定要求。这些调整确保了奶酪、酸奶和黄油生产的最佳性能（Guinee等人，2006年；Panthi等人，2019年）。为了在标准化之前监测和检测原奶成分的任何变化，需要一种在线或实时的快速方法。近年来，近红外（NIR）光谱技术在乳制品行业的牛奶成分分析、质量控制、掺假检测、过程监控和在线分析中受到了广泛关注（Diaz-Olivares等人，2020年；dos Santos Pereira等人，2020年；Melfsen等人，2012年；Tang等人，2016年；Tang等人，2021年；Tsenkova等人，2001年）。与传统基于湿化学的方法相比，NIR光谱技术快速、无损、样品准备简单且无需化学试剂。这项技术在确保乳制品行业批次间质量一致性方面发挥着关键作用，有助于维持生产过程的均匀性，优化原材料使用并提高能源效率。据作者所知，尚未有文献报道使用NIR光谱技术在12个月内检测爱尔兰原奶中影响凝乳酶诱导凝固过程的关键成分的季节性变化。此前也没有研究专门预测奶酪生产用原奶样本中的酪蛋白和离子钙含量。因此，本研究旨在调查（1）12个月内爱尔兰原奶在凝乳酶诱导凝固前关键成分的季节性变化，以及（2）结合多变量数据分析（化学计量学）的NIR光谱技术在预测直接影响奶酪制造的关键成分（如总固形物、总蛋白、脂肪、乳糖、酪蛋白和离子钙含量）方面的可行性。

材料与方法
样品和样品制备
2022年4月至2023年4月期间，每周从7家爱尔兰乳制品加工厂（A-G）收集了555个原奶样本。所有样本在运输和储存过程中保持在4°C，加热至40±0.5°C（使用温度计确认温度）30分钟，并在光谱测量前手动翻转10次。使用傅里叶变换近红外（FT-NIR）光谱仪（Bruker Multiple-purpose Analyser (MPA)，德国）和液体样品模块（LSM）进行光谱采集，该设备配备自清洁单元，如图2所示。系统的右侧是光谱仪，使用1毫米光程的石英比色皿。光谱采集范围为12,500至4000 cm?1，分辨率为16 cm?1。设备的左侧是液体样品模块，包括取样装置、蠕动泵、均质器和样品预热系统。机器的最左侧是自清洁单元（与样品模块相连的洗涤剂容器）。为确保系统清洁并防止管道堵塞，在样品测量前后分别使用了两种清洁溶液：Hellmanex III（Hellma Analytics，德国），浓度为0.5% w/v（称为洗涤剂1）和2% w/v（称为洗涤剂2）。

每个样本使用100毫升进行光谱采集；每个样本采集四个光谱。样品在泵送至测量单元进行40°C下的测量前先使用LSM进行均质处理。每个光谱对应32次扫描的平均值，并以吸光度形式记录。数据收集使用Opus软件（Bruker，德国）完成。参考测量
原奶样本中每种成分的参考测量采用以下标准方法进行：总蛋白
原奶样本中的总氮含量使用Kjeldahl方法（IDF 20-3:2004/ISO 8948-3）进行双重测定。总蛋白含量计算公式如下：
其中，F为氮到蛋白的转换因子，F = 6.38。酪蛋白
非酪蛋白氮（NCN）含量使用Kjeldahl方法（IDF 29-1/ISO 17997-1）进行双重测定。氮到蛋白的转换因子为6.38。酪蛋白含量根据以下公式计算：
其中，F为氮到蛋白的转换因子，F = 6.38。脂肪
原奶中的脂肪含量使用Rose–Gottlieb方法（IDF 1: 2010/ISO 1211）进行双重测定。总固形物
总固形物含量使用CEM Smart System 5（Microwave Moisture Analyzer，英国）进行双重测定。乳糖
原奶中的乳糖含量按照Hayes等人（2023年）描述的方法通过偏振法测定。离子钙
原奶中的可溶性钙含量使用SensIon+ MM374探针（Hach Company，美国）测定。按照Gómez-Mascaraque等人（2023年）的方法，向10毫升样品中加入0.1毫升3 M KCl溶液（离子强度调节剂-ISA）并搅拌1分钟。

数据分析
计算每种成分的平均值并用于多变量分析。如果值超出平均值±3倍标准差的范围，则识别并移除异常值（Gilchrist，2016年）。光谱分析
数据处理使用The Unscrambler X 10.5.1 Client 64位软件（AspenTech，马萨诸塞州贝德福德）进行。应用PCA检测并移除光谱异常值。在进行多变量分析之前，对每个样本的光谱进行平均处理。使用Kennard–Stone算法将光谱数据集分为70%的校准集和30%的验证集。本研究采用了三种预处理方法（线性基线校正（LBC）、标准正态变量（SNV）和乘法散射校正（MSC）来确定每种成分（如总固形物、总蛋白、脂肪、酪蛋白和离子钙含量）的最佳校准模型。使用PCA可视化牛奶样本的季节性模式。使用偏最小二乘法（PLSR）建立原奶的预测模型。使用PLSR构建每种成分的最佳校准模型，并通过全交叉验证（留一法）进行测试。模型性能通过均方根误差（RMSE）、预测标准误差与样本标准差之比（RPD）、误差范围比（Zornoza等人，2008年）以及近红外（NIR）预测值与参考测量值之间的决定系数（R2）来评估，这些指标是使用以下公式计算得出的：

(1) 其中n是数据集中的样本数量，ypi是在移除样本i后建立模型时对样本i的预测值，yi是样本i的参考测量值（Sinija和Mishra，2011年）。

(2) 其中ypi是模型对样本i的预测值，yi是样本i的参考测量值，ymean是数据集中所有样本参考值的平均值（Sinija和Mishra，2011年）。

(3) 其中STD是标准差，n是样本数量（Zornoza等人，2008年）。

结果与讨论

参考结果

原始牛奶的关键成分参考测量值显示在图3中。校准集和验证集中每个成分的统计细节在表1中呈现。图3显示了2022年4月至2023年4月12个月期间爱尔兰牛奶中(a)总固体、(b)乳糖、(c)脂肪、(d)总蛋白、(e)酪蛋白和(f)离子钙的参考测量值。表1总结了校准集和验证数据集中成分成分的参考值的统计摘要。

表1. 校准集和验证数据集中成分成分的参考值统计摘要

| 成分 | 全范围 | 校准集 | 验证集 |
|-----------------|------------|------------|------------|
| 总固体（% w/w） | 12.47–13.72 | 12.47–13.72 | 13.20 | 0.25 | 253 | 12.64–13.72 | 13.23 | 0.25 | 108 |
| 乳糖（% w/w） | 4.26–5.07 | 4.26–5.07 | 4.67 | 0.15 | 360 | 4.60–4.78 | 4.68 | 0.04 | 153 |
| 脂肪（% w/w） | 3.22–5.24 | 3.22–5.24 | 4.30 | 0.42 | 368 | 3.80–5.07 | 4.37 | 0.36 | 157 |
| 总蛋白（% w/w） | 2.97–4.17 | 3.01–4.17 | 3.56 | 0.25 | 218 | 2.97–4.10 | 3.56 | 0.25 | 93 |
| 酪蛋白（% w/w） | 2.37–3.35 | 2.37–3.35 | 2.81 | 0.22 | 96 | 2.42–3.15 | 2.77 | 0.20 | 41 |
| 离子钙（mM/L） | 1.62–5.14 | 1.62–5.14 | 2.99 | 0.82 | 370 | 2.04–4.33 | 3.05 | 0.60 | 158 |

表总结了校准集（70%）和验证集（30%）中每个成分成分参考测量的统计细节（浓度范围、平均浓度和重复测量的标准差）。所有原始牛奶成分在12个月期间都表现出季节性趋势。如图3d,e所示，原始牛奶中的总蛋白和酪蛋白浓度在春季产犊后（1月至4月）增加。这种增加归因于牛奶免疫球蛋白水平的下降，并在9月和10月达到峰值。随后，在泌乳期末由于乳腺中β-酪蛋白的降解而下降，这一过程由酶纤溶酶催化（Phelan等人，1982年；Li等人，2019年）。到泌乳期末，原始牛奶中的酪蛋白与总蛋白的比例显著下降，如图4所示，除非采取干预措施，否则牛奶不适合用于制作奶酪。脂肪含量在泌乳早期到中期下降，在4月至7月达到最低，然后在泌乳后期（10月）稳定增加，并在10月和11月达到峰值，因为牛奶量减少（图3c）。原始牛奶中脂肪含量的变化反映了季节性牛群的营养价值，在9月达到最高，在泌乳早期和晚期达到最低（Phelan等人，1982年；Li等人，2019年）。其他研究也报告了爱尔兰牛奶成分的类似季节性趋势（O'Connell等人，2015年；Hayes等人，2023年）。爱尔兰奶牛场通常遵循基于牧场的季节性喂养系统。这种方法最大化了奶牛饮食中放牧牧场的利用，与室内喂养系统相比降低了投入成本（O'Connell等人，2015年；Timlin等人，2021年；Hayes等人，2023年；Khan等人，2024年）。季节性牛群通常在1月至4月间产犊，从2月到12月间挤奶，牛奶产量在5月至6月达到峰值。

图4显示了2022年4月至2023年4月12个月期间爱尔兰牛奶中酪蛋白与总蛋白的比例。产犊后，泌乳期末乳糖浓度显著下降；因此，10月至12月期间乳糖与蛋白的比例非常低（Phelan等人，1982年；Timlin等人，2021年，2023年）。牛奶中的离子钙含量在泌乳初期（2月）最高，在泌乳中期（6月）最低。比较2022年4月底和2023年4月初的牛奶成分，图3b,d,e显示乳糖、总蛋白和酪蛋白的水平相似。此外，图3a,c显示总固体和脂肪含量几乎没有差异。由于爱尔兰奶牛场强烈依赖于基于牧场的 farming 系统，爱尔兰牛奶成分的变化主要由泌乳周期效应主导（Timlin等人，2021年；Hayes等人，2023年）。

光谱获取和预处理

图5显示了爱尔兰均质化原始牛奶样本的FT-NIR光谱。光谱主要由两个明显的水分带主导，分别位于6897和5181 cm?1，这些归因于O-H基团的强吸收（Tsenkova等人，2000年）。与牛奶蛋白相关的N-H吸收带出现在11062、9862、9699、5814、5688、4554、4355和4476 cm?1（Holroyd，2013年）。与脂肪含量相关的C-H吸收带出现在8350、5800–5700、5300–5260 cm?1（dos Santos Pereira等人，2020年）。与乳糖相关的C-H和O-H吸收带在8333 cm?1处不太明显，与主导的水分带相比（De Lima等人，2018年）。这一观察结果与Tsenkova等人（2001年）在他们研究中收集的牛奶光谱中的观察结果相似。因此，需要对光谱应用多元分析以提取与牛奶成分相关的信息。图5展示了未经预处理、SNV和MSC预处理的FT-NIR光谱。四种光谱在形状上相似。原始光谱在某些波数范围内显示出明显的吸收峰，且没有明显的噪声。与图5a中的原始光谱相比，SNV和MSC处理成功减少了一些光谱之间的方差，而没有扭曲其特征（图5b,c）。这一观察结果与Awotwe-Otoo等人（2012年）的发现一致。SNV和MSC是标准化方法，可以有效最小化或消除由路径长度和基线偏移引起的变化，从而提高所研究成分与光谱值之间关系的线性（Awotwe-Otoo等人，2012年）。这些处理通过最小化噪声和提高峰值分辨率来改善数据质量。

PCA分析

PCA用于通过正交构建压缩FT-NIR光谱数据，以识别PC空间中的相关季节性样本聚类。图6显示了所有样本在PC1、2和3中的得分图，分别解释了97%、2%和1%的数据方差。PC1显著有助于描述不同季节的原始牛奶样本组的方差。春季和冬季收集的原始牛奶样本之间有明显的分离，夏季和冬季收集的样本也有明显的分离。PCA得分图中的这种聚类模式与图3中显示的12个月期间参考数据的季节性变化相对应。主要牛奶成分（如脂肪、总蛋白和总固体）在泌乳早期的春季产犊时处于最低水平，在泌乳周期结束的冬季处于最高水平。冬季样本与春季和夏季样本的聚类分离揭示了原始牛奶成分在季节间的显著变化。然而，秋季样本组与其他三个季节的样本组之间存在重叠。这可能反映了12个月期间每周的连续采样，导致了一些季节数据的混合。Lopez等人（2022年）应用PCA分析了来自不同农场和季节的牛奶样本；也观察到了不同农场和季节之间样本簇的重叠。

图7绘制了使用全波长的PLS预测模型对每个成分的最佳性能，其中校准集用蓝色表示，验证集用红色表示。表2总结了每个成分的相关模型性能和最佳预处理（附录中提供了不同预处理对每个成分的预测性能的详细比较：表A1）。PLS模型在原始牛奶中的脂肪预测表现优异，R2cv = 0.92，RMSEcv = 0.11，RERcv = 14.53，RPDcv = 3.46。总蛋白和酪蛋白含量的预测表现也较好，R2cv = 0.81，RMSEcv = 0.11，RERcv = 9.85，RPDcv = 2.31；R2cv = 0.84，RMSEcv = 0.09，RERcv = 9.85，RPDcv = 2.50。其他研究也报告了类似的脂肪和总蛋白预测结果。Dos Santos Pereira等人（2020年）使用NIR光谱（400–10,000 cm?1）结合区间PLS回归获得了良好的脂肪和蛋白定量结果，R2cv = 0.98，RMSEcv = 0.16 g/100 g，RPDcv = 3.36；la Roza-Delgado等人（2017年）使用手持MicroPhazir? NIR光谱仪（1600–2400 nm）也获得了良好的脂肪和蛋白含量预测结果，R2cv = 0.98，RMSEcv = 0.32 g/100 g；R2cv = 0.82，RMSEcv = 0.37 g/100 g。与上述两项研究相比，本研究中获得的脂肪和蛋白的RSMEcv相对较低，表明预测值接近参考值，模型在准确性方面表现良好。正如Wang等人（2019年）所报告的，牛奶的均质化过程使得脂肪颗粒分布均匀，脂肪颗粒大小减小，从而减少了散射效应，提高了NIR光谱的重复性和蛋白含量的预测准确性。然而，PLS对总固体、乳糖和离子钙含量的预测性能有限，R2cv = 0.55，RMSEcv = 0.17，RERcv = 6.49，RPDcv = 2.50；R2cv = 0.59，RMSEcv = 0.10，RERcv = 7.17，RPDcv = 1.54；R2cv = 0.57，RMSEcv = 0.56，RPDcv = 1.53。其他研究也报告了乳糖预测准确率较低，因为乳糖溶解在牛奶血清中，其与NIR光谱的相互作用有限（Diaz-Olivares等人，2020年；Tsenkova和Muncan，2022年；Khan等人，2024年）。使用1550–1950 nm分辨率的微NIR传感器时，也报告了乳糖含量的低预测准确性（RMSEcv = 0.19），这是因为传感器的信噪比较低（Khan等人，2024年）。正如Khan等人（2024年）所报告的，与乳糖相关的吸收峰位于波长边缘，然而传感器的分辨率在中心波长处最高，向边缘逐渐降低，这是由于反射器的性质。由于总固体的复杂性和牛奶中离子钙的动态行为，实现高预测准确性具有挑战性。然而，在Diaz-Olivares等人（2020年）的研究中，通过考虑特定于奶牛的偏差校正，在线牛奶乳糖预测得到了改进。

图7显示了爱尔兰原始牛奶样本的PLSR预测，分别针对(a)总固体、(b)乳糖、(c)脂肪、(d)总蛋白、(e)酪蛋白和(f)离子钙。表2总结了每个成分的最佳PLSR模型性能。

表2. 每个成分的最佳PLSR模型性能

| 成分 | 预处理 | Lv | 性能 | 校准集 | 验证集 |
|-----------------|------------|------------|------------|------------|
| (a) 总固体 | 无 | 7 | RMSE = 0.16 | 0.17 |
| | RPD = 1.52 | 1.50 |
| | RER = 7.72 | 6.49 |
| | R2 = 0.56 | 0.55 |
| | N = 253 | 108 |
| (b) 乳糖 | MSC | 7 | RMSE = 0.12 | 0.10 |
| | RPD = 1.34 | 1.54 |
| | RER = 7.30 | 7.17 |
| | R2 = 0.45 | 0.59 |
| | N = 360 | 153 |
| (c) 脂肪 | 无 | 7 | RMSE = 0.14 | 0.11 |
| | RPD = 2.83 | 3.46 |
| | RER = 14.08 | 14.53 |
| | R2 = 0.88 | 0.92 |
| | N = 368 | 157 |
| (d) 总蛋白 | 无 | 7 | RMSE = 0.11 | 0.11 |
| | RPD = 2.30 | 2.31 |
| | RER = 10.61 | 9.95 |
| | R2 = 0.81 | 0.81 |
| | N = 218 | 93 |
| (e) 酪蛋白 | SNV | 7 | RMSE = 0.10 | 0.09 |
| | RPD = 2.04 | 2.50 |
| | RER = 8.24 | 9.85 |
| | R2 = 0.81 | 0.84 |
| | N = 96 | 41 |
| (c) 离子钙 | 无 | 7 | RMSE = 0.54 | 0.56 |
| | RPD = 1.53 | 1.53 |
| | RER = 6.56 | 6.61 |
| | R2 = 0.58 | 0.57 |
| | N = 370 | 158 |

Lv表示潜在变量；N表示样本数量；PLSR表示偏最小二乘回归；R2表示决定系数；RER表示误差范围比；RMSE表示均方根误差；RPD表示预测与偏差之比。脂肪、总蛋白、总固体和离子钙的最佳PLS模型均没有进行光谱预处理。对于乳糖和酪蛋白，最佳预测是在MSC和SNV处理后获得的。如图5a所示，原始光谱在某些波数范围内显示出明显的吸收峰，且没有明显的噪声，这表明在这些区域信号清晰且定义明确。这使得能够更清楚地识别出分子成分，如脂肪、总蛋白和总固形物，这些成分对原始牛奶样品中的吸收特征有贡献。这些清晰的峰对于准确的成分分析至关重要，并且在应用进一步的预处理步骤之前突显了光谱的整体质量。

结论

本研究成功地调查了爱尔兰原始牛奶中关键成分的季节性变化和预测建模，时间跨度为12个月，特别关注了在奶酪制造过程中对凝乳酶诱导的凝固至关重要的参数。湿化学分析揭示了原始牛奶成分的明显季节性趋势，主成分分析（PCA）表明样品按季节明显聚类。值得注意的是，冬季采集的牛奶样品与春季和夏季采集的样品明显分开，反映了季节性喂养和环境条件对牛奶成分的影响。近红外（NIR）光谱技术在快速检测关键牛奶成分方面的可行性得到了证明。PLS模型在预测脂肪方面表现优异（R2cv≥0.92，RMSEcv≤0.11，RERcv≥14.53，RPDcv≥3.46），在预测总蛋白和酪蛋白方面也表现良好（R2cv≥0.81，RMSEcv≤0.11，RERcv≥9.85，RPDcv≥2.31），但在预测总固形物、乳糖和离子钙方面效果有限（R2cv≤0.59，RMSEcv≥0.10，RERcv≤7.17，RPDcv≤1.54）。目前乳制品行业中的大多数NIR预测都集中在预测总蛋白含量上，而不是单独的蛋白质组分，因为在NIR区域分离主要的蛋白质组分（酪蛋白和乳清）具有挑战性。本研究中的NIR光谱在预测酪蛋白含量方面表现良好。然而，由于总固形物、乳糖和离子钙与近红外辐射的相互作用相对较弱，其预测准确性仍有待提高。进一步改进的光谱预处理技术和更大、更多样化的数据集可以帮助解决这些挑战，并提高NIR的预测能力。关键成分参数（脂肪、总蛋白和酪蛋白）的高预测准确性展示了NIR光谱在下游乳制品加工中的潜力，特别是对于实时在线测量，即过程分析技术（PAT），以替代传统的耗时的湿化学技术（Szigedi等人，2012年）。使用本研究开发的模型作为模型转移到在线应用的起点，并进一步探索使用NIR透射探头进行过程监测，将有助于评估NIR光谱在原始牛奶工业加工中的稳健性和更广泛的应用。通过将NIR技术集成到生产线上，可以连续监测牛奶成分，使加工者能够立即调整以优化各种加工步骤的效率，提高批次间的一致性，并提高产品质量。

致谢

作者感谢乳制品加工技术中心（DPTC）和Enterprise Ireland（资助编号：TC-2020-0028）的支持。作者还要感谢DPTC工作包1团队在牛奶成分数据库方面的技术支持和管理。

作者贡献

张克欣：撰写——原始草稿，数据管理，正式分析，研究方法。Colm P O'Donnell：撰写——审阅和编辑。Arlene McGrath：研究，数据管理。Jeremiah J Sheehan：数据管理。Norah O'Shea：监督，资源提供，撰写——审阅和编辑。

利益冲突声明

作者声明他们没有已知的竞争性财务利益或个人关系可能影响本文报告的工作。

附录

表A1. 不同预处理方法对每个成分的PLSR模型性能

成分 预处理方法 Lv 性能 校准 验证
(a) 总固形物 无 7 RMSE 0.16 0.17 RPD 1.52 1.50 RER 7.72 6.50 R2 0.56 0.55 N 253 108 SNV 7 RMSE 0.17 0.20 RPD 1.04 1.24 RER 5.38 5.53 R2 0.52 0.52 N 253 108 MSC 7 RMSE 0.16 0.17 RPD 1.49 1.50 RER 7.32 6.49 R2 0.55 0.55 N 253 108
(b) 乳糖 无 7 RMSE 0.18 0.15 RPD 0.88 1.01 RER 4.79 4.68 R2 0.06 0.01 N 360 153 SNV 7 RMSE 0.12 0.10 RPD 0.91 1.52 RER 4.05 7.08 R2 0.45 0.56 N 360 153 MSC 7 RMSE 0.12 0.10 RPD 1.34 1.54 RER 7.30 7.17 R2 0.45 0.58 N 360 153
(c) 脂肪 无 7 RMSE 0.14 0.11 RPD 2.83 3.46 RER 14.08 14.53 R2 0.88 0.92 N 368 157 SNV 7 RMSE 0.15 0.11 RPD 2.60 3.26 RER 12.15 13.68 R2 0.87 0.91 N 368 157 MSC 7 RMSE 0.14 0.11 RPD 2.85 3.39 RER 14.17 14.24 R2 0.88 0.91 N 368 157
(d) 总蛋白 无 7 RMSE 0.11 0.11 RPD 2.30 2.31 RER 10.61 9.95 R2 0.81 0.81 N 218 93 SNV 7 RMSE 0.12 0.11 RPD 1.79 2.32 RER 8.03 9.97 R2 0.76 0.81 N 218 93 MSC 7 RMSE 0.12 0.10 RPD 2.15 2.35 RER 9.92 10.11 R2 0.78 0.82 N 218 93
(e) 酪蛋白 无 5 RMSE 0.10 0.09 RPD 2.22 2.38 RER 9.82 9.40 R2 0.80 0.82 N 96 41 SNV 7 RMSE 0.10 0.09 RPD 2.04 2.50 RER 8.24 9.85 R2 0.81 0.84 N 96 41 MSC 7 RMSE 0.10 0.09 RPD 2.28 2.45 RER 10.00 9.66 R2 0.81 0.83 N 96 41
(f) 离子钙 无 7 RMSE 0.54 0.56 RPD 1.53 1.53 RER 6.56 6.61 R2 0.58 0.57 N 370 158 SNV 7 RMSE 0.54 0.57 RPD 1.17 1.51 RER 5.00 6.50 R2 0.58 0.57 N 370 158 MSC 7 RMSE 0.54 0.57 RPD 1.53 1.51 RER 6.53 6.53 R2 0.58 0.56 N 370 158

数据可用性声明

支持本研究发现的数据可向相应作者提出合理请求后获得。