《Frontiers in Nutrition》：Rapid fat quantification in Torreya grandis kernels using portable near-infrared spectroscopy: effects of shelling and kernel processing
编辑推荐：
本研究为应对香榧（Torreya grandis）脂肪含量传统检测方法（如索氏提取法）流程繁琐、耗时长、通量低等挑战，研究人员利用便携式近红外光谱（NIRS）技术，结合化学计量学方法，建立了针对带壳籽仁、脱壳籽仁和粉碎颗粒三种物理状态的脂肪含量快速定量模型。结果表明，基于粉碎颗粒样本建立的SG+SNV预处理结合偏最小二乘回归（PLSR）模型（SG-SNV-PLSR-K）预测性能最优，其校正集与预测集决定系数（Rc2和 Rp2）分别达0.92和0.89，为香榧及其他坚果的高通量脂肪筛查与质量评估提供了一种高效、非破坏性解决方案。
在追求健康与品质的今天，坚果作为一种重要的营养来源，其内在品质，尤其是脂肪含量，直接关系到产品的口感、风味、营养价值乃至市场价格。香榧，作为一种具有高经济价值的坚果，其脂肪含量的快速、准确测定，对于生产、加工和品质分级至关重要。然而，传统的脂肪测定方法，如经典的索氏（Soxhlet）提取法，虽然结果准确，但过程繁琐耗时，需要复杂的样品预处理（如干燥、研磨），使用有毒试剂，并产生大量废液，难以满足现代农产品贸易和加工过程中对大批量样本进行快速、高通量筛查的需求。那么，有没有一种方法，能够像“扫描”一样，在不破坏样本的前提下，快速“读”出香榧籽仁的脂肪含量呢？
近红外光谱（Near-Infrared Spectroscopy, NIRS）技术为此提供了可能。这项技术通过捕捉物质在近红外光区的吸收、散射和反射特征来“识别”样本，具有快速、无需试剂、样本前处理简单等突出优点。特别是便携式NIR光谱仪的出现，以其小巧、低成本、操作快捷的优势，使得在田间地头、加工车间进行现场实时、非破坏性检测成为可能。然而，对于像香榧这样具有坚硬外壳的坚果，其外壳是否会严重干扰近红外光的穿透，进而影响光谱质量和最终的检测精度？不同的样品处理状态（如带壳、脱壳、粉碎成颗粒）又会如何影响检测效果？这些都是实际应用中亟待厘清的科学问题。为此，一项题为《利用便携式近红外光谱技术快速定量香榧籽仁脂肪：脱壳与籽仁加工的影响》的研究在《Frontiers in Nutrition》期刊上发表，旨在为上述问题提供答案。
为了系统评估便携式NIRS技术用于香榧脂肪含量检测的可行性及最佳条件，研究人员开展了一项设计严谨的实验。研究核心是探究三种不同物理状态（带壳籽仁、脱壳籽仁、籽仁颗粒）对模型预测性能的影响。研究首先从中国浙江省诸暨市采集了香榧样本。关键的技术方法路径包括：首先，使用Smart Eye 1700便携式NIR光谱仪采集三种状态下样本的光谱数据；其次，采用索氏提取法（参考国家标准GB 5009.6-2016）测定所有样本的脂肪含量，作为建模的参考“真值”；接着，运用化学计量学方法对光谱数据进行处理与分析，包括使用主成分分析（PCA）进行数据结构探索和降维，结合马氏距离（Mahalanobis Distance）和浓度残差分析识别并剔除异常样本，并采用基于联合x-y距离的样本集划分（SPXY）算法将数据集划分为校正集和预测集；最后，尝试多种光谱预处理方法（如Savitzky–Golay平滑、标准正态变量变换、多元散射校正等），并基于偏最小二乘回归（Partial Least Squares Regression, PLSR）算法，分别建立三种状态下脂肪含量的定量预测模型，并通过校正集决定系数（Rc2）、预测集决定系数（Rp2）、校正集均方根误差（RMSEC）和预测集均方根误差（RMSEP）等指标评估模型性能。
3.1 香榧籽仁脂肪含量的测定结果
通过索氏提取法测得，所研究香榧籽仁样本的脂肪含量范围在40.85%至75.43%之间，平均值为54.63%，标准偏差为11.2。这一范围覆盖并超出了文献中通常报道的范围，增加了样本集的统计代表性，有利于建立更稳健的NIRS模型。
3.2 香榧籽仁的便携式NIRS光谱特征
三种状态的原始近红外光谱在1000–1650 nm范围内均显示出相似的趋势，但在大约1200 nm和1450 nm处观察到两个明显的吸收峰，分别归属于酯基中C–O–C结构的伸缩振动（脂肪的特征吸收带）和酰胺键（N–H）或O–H/N–H相关吸收。光谱吸光度呈现梯度：籽仁颗粒的吸光度最高，脱壳籽仁次之，带壳籽仁最低。这与其物理结构密切相关：坚硬的外壳阻碍了光线穿透；脱壳后光线可直接作用于籽仁；而粉碎成颗粒则极大地增加了比表面积，使脂肪等成分对近红外光的吸收最大化。
3.3 香榧籽仁近红外光谱的主成分分析结果
对三种状态的光谱分别进行PCA分析，以进行数据降维并为后续异常值识别做准备。对于带壳籽仁，经Normalize预处理后，前四个主成分的累计贡献率达到99.64%；对于脱壳籽仁，经Normalize预处理后，前四个主成分累计贡献率也超过99%；对于籽仁颗粒，经多元散射校正预处理后，前四个主成分累计贡献率达到99.51%。研究选择累计方差贡献率超过99%的前四个主成分得分用于后续马氏距离计算，以确保在保留绝大部分光谱信息的同时有效降维。
3.4 异常样本剔除结果
结合PCA-马氏距离分析和浓度残差分析，研究人员从三种状态的数据集中分别剔除了光谱异常和化学值异常的样本。例如，在带壳籽仁数据集中，剔除了样本45, 87, 115, 202（光谱异常）和17, 66, 85, 156（化学异常）。在脱壳籽仁数据集中，剔除了样本66, 120, 185（光谱异常）和14, 105, 152, 182（化学异常）。在籽仁颗粒数据集中，剔除了样本141, 177（光谱异常）和28, 85, 205（化学异常）。剔除异常样本有助于提高后续所建模型的稳健性和准确性。
3.5 香榧籽仁数据集的划分结果
异常样本剔除后，采用SPXY方法将各状态下的数据集按约3:1的比例划分为校正集和预测集。划分后，预测集中样本的脂肪含量范围均包含在校正集的范围之内，这有助于避免因预测样本超出模型校正范围而导致的泛化问题。
3.6 香榧籽仁脂肪含量定量模型的建立与分析
这是研究的核心发现。模型性能随样本物理状态的改变而显著变化。
- •
带壳籽仁：即使使用最优的预处理方法（标准正态变量变换），所建立的最佳PLSR模型（SNV-PLSR-IS）的Rc2和Rp2也仅为0.79和0.74，预测性能相对较差，表明坚硬外壳严重干扰了光谱信号，不足以实现高精度预测。
- •
脱壳籽仁：去除外壳后，模型性能显著提升。基于多元散射校正预处理建立的最佳PLSR模型（MSC-PLSR-DS）取得了Rc2= 0.89， Rp2= 0.79的良好结果。这表明脱壳后，近红外光能更直接地与籽仁相互作用，捕获到更多与脂肪相关的有效光谱信息。
- •
籽仁颗粒：将籽仁粉碎成颗粒后，建立的模型性能达到最佳。其中，采用Savitzky–Golay平滑结合标准正态变量变换预处理建立的PLSR模型（SG-SNV-PLSR-K）表现最优，其Rc2高达0.92，Rp2也达到0.89。粉碎极大地提高了样本的均匀性，使得光谱更能稳定地反映样本的整体化学组成，从而建立了预测能力最强的模型。
3.7 脂肪含量预测NIRS模型的比较
研究人员将本研究的模型性能与其他已发表的针对杏仁、核桃、花生、玉米等基质的NIRS脂肪预测模型进行了对比。结果表明，NIRS技术对于高脂肪坚果基质普遍有效，而预处理策略和波长选择是影响模型性能的关键因素。本研究中籽仁颗粒的最佳模型（SG-SNV-PLSR-K）性能与多数坚果研究结果相当，支持了便携式NIRS作为香榧脂肪快速评估工具的可行性。
3.8 香榧籽仁脂肪含量最优定量模型的预测性能
对最优模型SG-SNV-PLSR-K的预测集样本进行验证，预测值与实测值拟合良好，数据点紧密分布在回归线附近，Rp2为0.89，无明显的异常点，证实了该模型具有良好的预测能力和实用性，可用于香榧籽仁脂肪含量的实际快速测定。
研究结论与重要意义
本研究系统评估并成功建立了基于便携式近红外光谱技术的香榧籽仁脂肪含量快速定量方法。核心结论是：样本的物理状态对模型预测精度有决定性影响。从带壳、脱壳到粉碎成颗粒，模型的预测性能依次显著提升。最终，基于籽仁颗粒状态，结合SG+SNV预处理建立的PLSR模型（SG-SNV-PLSR-K）取得了最佳预测效果（Rc2= 0.92, Rp2= 0.89）。与脱壳籽仁的最佳模型（MSC-PLSR-DS）相比，其校正集和预测集精度分别提高了3.99%和12.65%；与带壳籽仁的最佳模型（SNV-PLSR-IS）相比，提升幅度更是高达16.32%和20.36%。
这项研究的意义在于：首先，它验证了便携式NIRS技术用于香榧这一特定高价值坚果脂肪含量快速、非破坏性筛查的有效性，为取代传统繁琐、耗时的化学分析方法提供了一套切实可行的技术方案。其次，研究明确了“样本均质化”是提升便携式NIRS现场检测精度的关键前提。这对于实际应用具有重要指导价值：在需要最高精度的场景（如育种筛选、精准分级），可以对样本进行简单的粉碎处理；而在对无损和速度要求更高的现场初筛场景，即使使用脱壳甚至带壳样本，也能获得具有一定指导意义的估算结果。最后，研究所采用的“多状态比较-化学计量学建模”工作流程不仅适用于香榧，也可为其他坚果乃至农产品的品质快速检测提供可迁移的方法学参考，对推动农产品质量安全快速检测技术的发展具有积极意义。
