《Journal of Food Composition and Analysis》:FT-IR spectroscopy: A rapid tool for determination of Glucose, Fructose, Sucrose and Maltose in plant-drinks
植物基饮料的碳水化合物组成因原料、配方及加工工艺的不同而存在差异,因此糖与寡糖的测定对该类食品工业至关重要,而传统化学分析方法存在操作繁琐、耗时较长等不足。本研究旨在探索傅里叶变换红外光谱(Fourier transform infrared spectroscopy, FT-IR)用于快速预测植物基饮料中总糖及四种单糖/双糖(葡萄糖、果糖、蔗糖和麦芽糖)含量的可行性。研究人员收集了83份植物基饮料样品,并按原料类型分为燕麦、大米、杏仁、大豆及其他类别。以高效阴离子交换色谱-脉冲安培检测法(high performance anion-exchange chromatography with pulsed amperometric detection, HPAE-PAD)作为参考方法进行校准。结果显示,燕麦(2.0–7.9 g/100 g)和大米(1.9–7.8 g/100 g)产品中的总糖浓度最高,其中葡萄糖和麦芽糖为主要糖类;而大豆和杏仁饮料中则以蔗糖和果糖为主。所建立的糖预测模型交叉验证均方根误差(root mean square error of cross-validation, RMSECV)为0.11–0.63 g/100 g,决定系数R2 > 0.82,其中在大豆、杏仁及其他样品(n = 35)中建立的蔗糖与果糖联合预测模型表现最优(R2 = 0.98)。研究表明,FT-IR可实现对所有植物基饮料中总糖及特定糖类的定量分析,具有作为生产过程控制工具的潜力。
随着全球食品系统气候影响的日益凸显,EAT-Lancet委员会提出的新膳食指南强调从动物源性饮食向植物源性饮食转变的重要性,以保障人类健康、环境可持续性及粮食供应连续性。在此背景下,植物基乳替代品的质量与营养组成日益受到关注。当前市售植物基饮料主要以豆类、坚果、种子或谷物为原料配制,旨在模拟乳制品的感官特性。与牛奶中 sugars 主要为固定成分的乳糖不同,植物基饮料中的优势糖种类差异显著,如谷物基饮料中常见葡萄糖和麦芽糖,而大豆基饮料中则以蔗糖为主。原料来源、品质及加工工艺的多样性导致植物基饮料在糖类组成上呈现高度异质性,加之消费者对"清洁标签"产品的偏好以及对稳定品质的需求,使得建立快速可靠的生产过程监控方法成为行业发展的迫切需求。
近红外光谱(Near infrared spectroscopy, NIR)及傅里叶变换红外光谱(FT-IR)作为快速分析工具,已广泛应用于乳制品及植物基产品质量控制领域。相较于色谱法等传统方法,FT-IR技术具有样品前处理简单、分析速度快、操作简便、无需有机溶剂及可实现近线检测等优势。该技术通过测量样品的红外吸收光谱获取分子组成信息,但针对特定基质进行精确定量预测时需基于参考定量数据建立校准模型。在乳制品领域,FT-IR已被用于蛋白质定量、掺假鉴别及微生物质量评估等方面。在植物基产品领域,FT-IR技术也已应用于豆类蛋白相互作用研究、豆浆中植酸检测、植物基饮料还原糖预测模型构建以及植物基酸奶发酵过程关键参数监测等研究。
本研究旨在系统评估FT-IR作为快速预测及质量控制工具在植物基饮料总糖及选定碳水化合物分析中的应用价值,涵盖葡萄糖、果糖、蔗糖、麦芽糖、麦芽三糖及麦芽四糖六种组分。研究采用HPAE-PAD作为高灵敏度、高选择性的参考校准方法,共纳入83份市售植物基饮料样品(包括燕麦、大豆、大米及杏仁等主要类型),通过主成分分析(Principal Component Analysis, PCA)及偏最小二乘法(Partial Least Squares, PLS)对HPAE-PAD与FT-IR分析数据进行建模分析。据研究人员所知,这是迄今规模最大的植物基饮料糖与寡糖FT-IR分析研究。
**研究设计**
研究样本来源于2023年4月至2024年10月间从超市及零售商处收集的83份市售植物基饮料,按原料类型分为:燕麦基34份、大豆基11份、杏仁基12份、大米基12份,以及其他类别(包括椰子、羽扇豆、豌豆、马铃薯基产品及混合植物饮料)14份。样品开瓶后分装为50 mL冷冻保存于-20°C。
**关键技术方法**
研究采用三种核心技术构建定量分析体系:高效阴离子交换色谱-脉冲安培检测法(HPAE-PAD)作为糖定量分析的参考方法,分别使用Dionex ICS-6000 HPIC系统配备CarboPac? PA210-Fast-4 μm色谱柱(用于葡萄糖、果糖、蔗糖分析)及CarboPac PA-200色谱柱(用于麦芽糖、麦芽三糖、麦芽四糖分析),以氢氧化钾及甲烷磺酸作为流动相进行梯度洗脱;傅里叶变换红外光谱法采用MilkoScan? FT3分析仪,在900–5000 cm
-1波数范围内进行扫描(40次扫描,2 cm
-1分辨率),样品测量前经30秒震荡处理以消除沉降影响;多变量数据分析采用PLS Toolbox 9.2.1软件于Matlab R2023a平台构建PCA及PLS模型,以Q残差(截断值0.5)和T
2Hotelling统计量(截断值1.0)识别并剔除异常值,所有PLS模型采用8折 Venetian blinds 交叉验证策略,模型性能以均方根误差(RMSEC/RMSECV)及决定系数R
2评估。
光谱预处理策略包括:去除1000 cm
-1以下及3000 cm
-1以上区域、1700–1590 cm
-1水干扰波段以及2600–1800 cm
-1无信息平坦区,对剩余光谱进行均值中心化、平滑处理及自参考数据缩放。
**研究结果**
**HPAE-PAD糖定量分析**
HPAE-PAD分析结果揭示了不同植物基饮料类别间显著的糖类组成差异。燕麦和大米基饮料的总糖浓度最高,平均值分别为4.6 g/100 g和6.0 g/100 g,其中葡萄糖(燕麦均值1.8 g/100 g,大米均值2.7 g/100 g)和麦芽糖(燕麦均值2.6 g/100 g,大米均值1.5 g/100 g)为主要糖组分,这与加工过程中淀粉水解产生还原糖的生产工艺相关。大豆和杏仁基饮料的总糖浓度相对较低(均值分别为0.9 g/100 g和1.7 g/100 g),分别以蔗糖(大豆均值0.8 g/100 g)及葡萄糖与蔗糖(杏仁均值分别为0.9 g/100 g和1.3 g/100 g)为主。"其他"类别产品糖组成高度依赖具体原料,总糖浓度范围为0.2–5.9 g/100 g。所有类别内部均存在较大的浓度变异范围,部分样品中某些糖组分浓度低至检测限以下或未检出。
**PCA分析**
基于FT-IR光谱的PCA模型显示,前三主成分累计解释方差达98.4%(PC1: 92.8%,PC2: 3.9%,PC3: 1.8%)。载荷图分析表明,PC1中约1050 cm
-1处的显著吸收峰及1100、1150 cm
-1处的较弱峰对应碳水化合物C-O键伸缩振动,为主要变异来源;PC2和PC3则在1550 cm
-1(酰胺N-H弯曲)、1750 cm
-1(酯类C=O伸缩)及2800–3000 cm
-1(C-H不对称与对称伸缩)处有主要贡献,反映蛋白质与脂肪组分的影响。得分图清晰显示燕麦和大米样品聚集于PC1轴右侧,表明其与碳水化合物含量高度相关;大豆样品形成较紧密的簇群,而杏仁样品分布较分散,提示其碳水化合物及蛋白质变异较大。"其他"类别样品依据原料组成散布于不同区域,部分与大豆样品重叠,暗示较高的蛋白质含量。
**PLS预测模型**
研究人员构建了多种糖组分的PLS预测模型。总糖预测模型(所有产品,n=70)在6个潜变量(Latent Variables, LVs)下获得RMSECV为0.63 g/100 g、R
2为0.91的结果,但相对变异分析显示燕麦和大米产品低于20%,而杏仁(33%)和大豆(67%)产品变异显著更高。葡萄糖与麦芽糖联合模型表现更优:所有产品模型(n=80, 7 LVs)R
2达0.97、RMSECV为0.42 g/100 g;燕麦和大米产品专属模型(n=42, 5 LVs)RMSECV降至0.36 g/100 g、R
2为0.97。
单一糖组分模型方面,葡萄糖在所有产品及燕麦-大米子集中的RMSECV分别为0.42 g/100 g(R
2=0.95, 6 LVs)和0.36 g/100 g(R
2=0.97, 5 LVs),后者因排除了低浓度干扰样品而表现更佳。果糖仅在约、杏仁及其他产品中建立有效模型(n=32, 8 LVs),RMSECV为0.11 g/100 g、R
2=0.95,但模型复杂度较高,存在过拟合风险。蔗糖在所有产品模型中(n=80, 6 LVs)获得RMSECV 0.21 g/100 g、R
2=0.94;麦芽糖预测相对困难,所有产品及燕麦-大米模型RMSECV分别为0.56 g/100 g(R
2=0.89, 7 LVs)和0.63 g/100 g(R
2=0.82, 7 LVs),预测图显示一定非线性趋势。
针对原料特性优化的联合模型表现突出:燕麦-大米产品的葡萄糖与麦芽糖之和模型(n=42, 5 LVs)RMSECV为0.50 g/100 g、R
2=0.93,相对变异分别降至11%(燕麦)和8.5%(大米);大豆、杏仁及其他产品的蔗糖与果糖之和模型(n=35, 7 LVs)获得最优性能,RMSECV为0.20 g/100 g、R
2=0.98,相对变异低于22%。该模型虽存在个别高浓度样品,但因其在预测范围内而予以保留。
麦芽三糖及麦芽四糖未能建立有效预测模型,研究人员推测这与FT-IR的技术局限性有关:复杂分子中大量相似的键振动导致光谱峰严重重叠,且低浓度样品区分能力不足。
**讨论**
本研究结果与既往文献具有良好可比性。Marrubini等人(2017)采用近红外光谱结合Luff-Schoorl滴定法对39种植物基饮料的还原糖进行测定,获得R
2=0.84的预测模型;Rech等人(2018)利用衰减全反射FT-IR测定大豆饮料总糖,与酶解后Lane-Eynon滴定法对比获得R
2=0.95。本研究在更大样本量基础上实现了更优或相当的预测性能,尤其在特定原料优化模型中表现突出。
光谱解析方面,研究确认1034、1076和1150 cm
-1为糖预测的最关键波数,对应糖类C-O、C-H、C-C及O-H键的振动频率,与Greulich等人在植物基酸奶中的发现一致,也与de Oliveira等人在百香果糖定量及Rech等人在大豆饮料研究中的报道相互印证。由于水干扰导致指纹区大部分信息被移除,未能对单一糖的特征峰进行详细区分。
**研究结论**
FT-IR结合PLS回归分析可实现植物基饮料中糖组分(葡萄糖、果糖、蔗糖和麦芽糖)的快速定量,模型交叉验证R
2(RMSECV)范围为0.82–0.98。最优模型为大豆-杏仁及其他类别中的蔗糖与果糖联合预测模型(R
2(RMSECV)=0.98),相对变异低于22%;燕麦和大米产品中葡萄糖与麦芽糖模型相对变异低于11%(R
2(RMSECV)=0.93),均达到工业应用的可接受水平。PCA分析清晰区分了燕麦/大米与大豆/杏仁基样品,而"其他"混合类别因原料来源复杂未形成明确聚类。
本研究表明FT-IR在植物基饮料糖定量方面具有类似其在乳制品乳糖检测中的强大应用潜力。为获得最低预测变异,建议针对特定原料类型优化模型:大豆和杏仁基材料聚焦于蔗糖和果糖,燕麦和大米基材料聚焦于葡萄糖和麦芽糖。这些方法可在生产阶段实施以验证概念可行性。
作为迄今规模最大的植物基饮料糖与寡糖FT-IR分析,本研究仍存在拓展空间。鉴于植物基饮料产品类别日益丰富且各类别内部糖组分变异显著,仍需纳入更广泛的产品变异以提升模型的稳健性、覆盖范围及预测性能。