《Foods》:Assessing the Feasibility of Mid- and Near-Infrared Spectroscopy for Classifying Plant-Based Beverages and Predicting Nutrient Content
编辑推荐:
随着对植物基饮料作为乳制品替代品的需求日益增长,需要快速可靠的方法来评估其成分和真实性。本研究调查了中红外(MIR)和近红外(NIR)光谱对植物基饮料进行分类和预测其营养概况的可行性。研究人员分析了来自五个类别(燕麦、杏仁、大豆、稻米和椰子)的共57种商业饮料
随着对植物基饮料作为乳制品替代品的需求日益增长,需要快速可靠的方法来评估其成分和真实性。本研究调查了中红外(MIR)和近红外(NIR)光谱对植物基饮料进行分类和预测其营养概况的可行性。研究人员分析了来自五个类别(燕麦、杏仁、大豆、稻米和椰子)的共57种商业饮料。采用典型判别分析(canonical discriminant analysis, CDA)来区分饮料类别,并基于参考化学分析和光谱数据建立了改进的偏最小二乘回归(modified partial least-squares regression, MPLS)模型,用于预测蛋白质、脂肪、糖类、灰分、酸度指标、矿物质和氨基酸组成。MIR和NIR均成功区分了五个饮料类别。定量预测模型通常MIR比NIR更准确。MIR对蛋白质、脂肪、葡萄糖、灰分和选定的矿物质(P和K)获得了最稳健的模型,达到了适用于质量控制应用的精度水平。两种技术对蛋白质的预测均具有极好的准确性。最稳健的预测模型是针对氨基酸组成获得的,除苯丙氨酸外,所有氨基酸均表现出令人满意的预测性能,特别是使用MIR光谱时。总之,这些结果证明了红外光谱在植物基饮料真实性鉴定和成分评估中的可行性。特别是,MIR光谱显示出整合到常规质量控制工作流程中的巨大潜力,类似于目前用于牛奶分析的工作流程。
**论文解读:中红外与近红外光谱对植物基饮料分类及营养成分预测的可行性研究**
**研究背景与问题**
近年来,西方国家对植物基饮料(plant-based beverages, PBBs)作为牛乳替代品的消费持续增长,这主要源于对健康、环境及伦理问题的关注,以及乳糖不耐受、牛乳过敏和素食主义等饮食选择。尽管PBBs在市场上被广泛宣传为乳制品替代品,但其营养成分与牛乳存在显著差异:许多产品含有稳定剂、增稠剂或添加糖,可能引发胃肠道不适或炎症反应;某些植物源成分(如坚果、豆类)可能引起过敏;且其蛋白质通常缺乏牛乳蛋白的完整性和高生物价值。因此,PBBs能否作为牛乳的直接营养替代品仍是科学评估的课题。
在乳制品工业中,中红外(MIR)和近红外(NIR)光谱技术已被广泛用于快速、无损、环保地测定脂肪、蛋白质和主要脂肪酸含量,并被国际官方分析化学家协会(AOAC)和国际乳业联合会(IDF)认可为参考方法。然而,针对PBBs的红外光谱研究十分有限,大多仅聚焦于单一类别(如豆基饮料)或单一技术(仅MIR或仅NIR),缺乏对两种技术的系统比较,且未全面涵盖脂肪酸、矿物质和氨基酸的预测。因此,本研究旨在评估MIR和NIR光谱对五种常见PBBs(燕麦、杏仁、大豆、稻米和椰子)进行分类及预测其总组成、酸度指标及详细成分(脂肪酸谱、氨基酸和矿物质含量)的可行性,并建立跨类别全局校准模型。
**研究内容与结论**
研究人员从意大利东北部超市购买了57个商业PBB样品(燕麦12个、杏仁12个、大豆12个、稻米11个、椰子10个),涵盖多种国际品牌和生产批次,以最大化成分变异。通过MIR(Milkoscan FT3,光谱范围5000–900 cm
-1)和NIR(DS2500,光谱范围400–2500 nm)采集光谱,并参考化学分析(凯氏定氮法、索氏提取、高效液相色谱、气相色谱、电感耦合等离子体发射光谱/质谱等)测定蛋白质、脂肪、糖类、灰分、pH、可滴定酸度、脂肪酸、矿物质和氨基酸含量。采用逐步判别分析(stepwise discriminant analysis)选择判别波长,典型判别分析(CDA)实现分类,改进的偏最小二乘回归(MPLS)结合5折交叉验证建立定量预测模型。
结果表明,MIR和NIR光谱均能通过CDA清晰区分五种PBB类别。在定量预测方面,MIR整体优于NIR:MIR对蛋白质、脂肪、葡萄糖、灰分及矿物质P和K的预测模型达到质量控制级精度(RPD > 3),其中蛋白质预测精度极高(RPD = 18.50);所有氨基酸(除苯丙氨酸外)均获得优异预测(RPD 5–15),而NIR仅对蛋白质和部分氨基酸达到良好或筛选级精度。该研究首次证明了红外光谱技术可同时用于PBBs的分类、真实性鉴定及全面成分预测,且MIR有望像目前用于牛乳分析一样,整合到PBBs的常规质量控制流程中。论文发表于《Foods》。
**主要技术方法**
本研究采用的关键技术包括:1)中红外光谱(MIR)采集,使用Milkoscan FT3(FOSS)在5000–900 cm
-1范围记录吸光度(log(1/透射率));2)可见-近红外光谱(NIR)采集,使用DS2500(FOSS)在400–2500 nm范围记录吸光度(log(1/反射率)),每个样品平均32个子光谱;3)参考化学分析,包括凯氏定氮法(蛋白质)、索氏提取(脂肪)、高效液相色谱(糖类、氨基酸)、气相色谱(脂肪酸)、电感耦合等离子体发射光谱(矿物质)及碘的ICP-MS分析;4)统计建模,采用逐步判别分析筛选波长、典型判别分析(CDA)分类,以及改进的偏最小二乘回归(MPLS)结合5折交叉验证建立预测模型,模型评估基于决定系数(R
2CV)和残差预测偏差(RPD)。样品来源为意大利东北部超市,共57个商业UHT处理PBB样品。
**研究结果**
**3.1 研究局限性**
本研究为探索性研究,主要局限性在于样本量较小(57个),可能不足以进行外部验证,但交叉验证可作为评估方法可行性的有效手段。此外,市售PBB配方多样,可能影响全局校准模型的普适性,为此研究人员选择了不同品牌和配方以增加变异。
**3.2 光谱与典型判别分析**
原始MIR和NIR光谱显示不同PBB类别间存在相似趋势,但CDA分析表明,两类光谱均可实现五种PBB的清晰分类。MIR光谱中,30个保留波长解释了91.3%的方差,其中9个位于1476–1150 cm
-1(与总糖相关),1710 cm
-1(与脂肪相关),1384和1432 cm
-1(脂质结构),1080和1235 cm
-1(乳糖和脂质),以及4396–4488 cm
-1(水区)。NIR光谱中,35个保留波长解释了98.0%的方差,其中13个在406–583 nm(可见光区,反映颜色),969和1465 nm(水/蛋白质),2080和2398 nm(淀粉)。这些结果表明,PBB的颜色、水分、糖和脂肪等特征是区分不同类别的关键因素。
**3.3 总组成与酸度指标的预测模型**
基于MIR光谱,蛋白质获得极优预测模型(R
2CV > 0.99,RPD = 18.50),可替代参考方法;脂肪、葡萄糖和灰分达到质量控制级(RPD 3.19–3.89);果糖和可滴定酸度仅适用于筛选(RPD 2.48–2.60);乳糖和pH预测效果差,乳糖因非PBB天然成分、pH因范围窄且非直接红外活性。基于NIR光谱,仅蛋白质达到质量控制级(RPD = 3.04),灰分和脂肪等可用于初步筛选(RPD 2.03–2.99)。总体上,MIR在总组成预测上优于NIR。
**3.4 详细成分的预测模型**
矿物质方面,MIR对P(磷)和K(钾)的预测达到质量控制级(RPD分别为4.54和5.69),而NIR仅对P和K达到筛选级(RPD 2.72和2.16);I、Ca、Mg、Na预测不理想。氨基酸方面,MIR对除苯丙氨酸外的所有氨基酸均获得极优预测(R
2CV 0.92–0.99,RPD 5–15),可应用于质量控制;NIR则对部分氨基酸达到筛选或质量控制级(RPD 2.86–3.59),但精度低于MIR。苯丙氨酸预测差的原因可能在于其芳香族侧链的红外吸收与蛋白质主链酰胺吸收重叠,且不同植物来源中苯丙氨酸与蛋白质的关联性不一致。
**讨论与结论**
本研究证实了MIR和NIR光谱均能有效区分五种主要PBB类别,且MIR在定量预测总组成、氨基酸和部分矿物质方面优于NIR,尤其蛋白质和氨基酸预测精度极高,达到可替代湿化学分析的水平。研究的主要限制是样本量较小,但交叉验证结果已初步支持MIR整合到PBB常规质量控制工作流的可行性,类似于当前乳品工业的应用。未来研究应增加样本量以进行外部验证,并探索针对特定类别的校准模型以提升低丰度成分(如脂肪酸)的预测性能。
**结论翻译**
总之,本研究表明,MIR和NIR光谱均可充分区分五种最常消费的植物基饮料(燕麦、杏仁、大豆、稻米和椰子)。关于定量模型,尽管MIR和NIR均显示出预测所研究性状的可行性,但MIR在模型精度上优于NIR。研究人员的结果表明,MIR也可用于准确预测总灰分、P和K、蛋白质及氨基酸谱。事实上,除苯丙氨酸外,总蛋白质和所有氨基酸均获得了最佳预测模型。本研究的主要局限性是可进行定量分析的样本数量较少,鉴于所进行的分析数量较多。然而,部分预测模型(总组成、详细氨基酸谱和某些矿物质)的优异性能可能支持将MIR整合到植物基饮料作为牛乳替代品的常规质量控制工作流中,利用现有乳制品工业基础设施并增强对新兴非乳制品产品的分析能力。这种实施与红外光谱作为过程分析技术用于食品和乳制品加工环境中实时质量监控的日益普及相一致。未来研究应通过增加样本量以进行外部验证来确认这些最有前景性状的发现,并探索额外的化学计量学策略以改进低丰度成分(如某些脂肪酸)的预测。未来研究还应评估针对单个植物基饮料类型的类别特异性校准是否比本研究采用的全局校准方法能提高预测性能。