非建模方法用于奶粉红外检测中高氮化合物掺假的定量分析

《Journal of Spectroscopy》：Nonmodeling Method for Quantitative Analysis of High-Nitrogen Compound Adulteration in Milk Powder Infrared Detection

　　

用高氮化合物替代蛋白质补充可能导致营养不良，甚至引发疾病或死亡。传统检测方法昂贵且耗时。因此，红外光谱（IR）因其快速分析和无损检测的优势而得到广泛应用。传统红外分析方法通常需要大量样本构建精确预测模型，这是一个相对费力且耗时的过程。非建模方法无需构建模型，可显著减少时间消耗。本研究采用一种称为标准信号提取（SSE）的非建模方法，对奶粉（MP）中高氮化合物进行定量分析，并将其性能与浓度残差增强经典最小二乘（CRECLS）和逆偏最小二乘（inverse-PLS）进行比较。SSE的均方根误差（RMSE）范围为0.54%–0.75%（w/w），相对百分比偏差（RPD）范围为2.28–3.28，表明在当前实验条件下，SSE比其他测试方法具有更好且更一致的定量性能。总体而言，结果支持将SSE作为非建模红外策略用于MP中高氮掺假物定量评估的可行性。然而，本研究应被视为概念验证性研究，而非完全优化的分析解决方案，在常规实际应用前仍需进一步验证。

**论文解读文章**

**研究背景与问题**

食品掺假问题持续威胁食品安全、消费者信任和公共健康。在奶粉（MP）中，一种常见的欺诈行为是故意添加三聚氰胺（MEL）、双氰胺（DCD）和尿素等高氮化合物，以人为提高基于氮含量测定方法测得的表观蛋白质含量。由于MP的广泛使用以及复杂乳制品基质中低水平掺假检测的分析难度，快速可靠地检测这些化合物仍是食品质量控制的重要课题。传统检测方法，如高效液相色谱、液相色谱-质谱联用、气相色谱-质谱联用和电感耦合等离子体质谱，依赖精密且昂贵的设备，耗时且成本高。因此，开发便捷的光谱方法用于MP掺假检测具有明确的实践意义。红外光谱（IR）因其快速、无损且样品制备简单而广泛应用于食品分析，但在MP中高氮掺假物的定量检测仍面临分析挑战：MP基质由蛋白质、脂肪、乳糖和矿物质组成，产生强背景光谱信号，可能与目标掺假物的特征吸收重叠；此外，粉末样品的异质性可能导致添加物分布不均，降低光谱重复性，增加从基质干扰中提取弱分析物相关信号的难度。为应对这些挑战，化学计量学方法常与红外光谱结合使用，但基于校准的方法如偏最小二乘（PLS）回归通常需要足够大、有代表性且分布良好的校准集，在有限样本条件下易出现过拟合或迁移性降低等问题。因此，减少对大规模校准建模依赖的方法可能提供有用替代方案。标准信号提取（SSE）是一种非建模方法，旨在直接从混合光谱中分离分析物相关光谱信息，尤其适用于样本数量有限且目标信号被背景变化部分掩盖的复杂系统。然而，SSE在MP中高氮掺假物定量检测中的应用尚未充分研究，其与浓度残差增强经典最小二乘（CRECLS）和逆偏最小二乘（inverse-PLS）相比的性能也不明确。本研究旨在评估SSE用于MP中高氮掺假物定量检测的可行性，比较SSE、CRECLS和inverse-PLS的分析性能，并评估SSE作为快速非建模策略在复杂粉末食品基质中掺假检测的潜力。论文发表在《Journal of Spectroscopy》。

**主要技术方法**

研究人员使用傅里叶变换红外（FTIR）光谱仪（Vertex-70，德国Bruker）配合衰减全反射（ATR）附件（PIKE Technologies），采集了MP与MEL、DCD、尿素三种高氮化合物混合粉末的中红外光谱。样品制备：MP（内蒙古蒙牛乳业）与每种掺假物（上海麦克林生化）按质量分数0.5%、1%、2%、3.5%、5%、10%混合，压片制成2 mm厚片，每个浓度20个样本，每种掺假物共120个样本。光谱采集：4000–600 cm^?1范围，每个样品随机扫描5个点，每个点16次扫描，80次光谱平均后获得1762个数据点。采用三种非建模方法进行定量分析：SSE（通过主成分分析提取与干扰信号正交的标准信号）、CRECLS（扩展浓度矩阵并计算增强纯组分矩阵）、inverse-PLS（基于逆模型表征目标光谱与光谱矩阵的线性关系）。评价指标包括决定系数（R²）、均方根误差（RMSE）和相对百分比偏差（RPD）。所有计算在MATLAB 9.4.0中完成。

**研究结果**

**4.1 光谱分析**
通过对比纯掺假物、纯MP和加标样品的光谱，发现MP主要特征峰位于2924、2852 cm^?1（脂质）以及1250、1550 cm^?1（蛋白质酰胺带）。MEL的特征峰为NH₂伸缩振动（3467、3419 cm^?1）、N–H弯曲振动（1651 cm^?1）和三嗪环C=N伸缩振动（1551 cm^?1）。DCD的特征峰为C≡N伸缩振动（2250 cm^?1）。尿素的特征峰为C=O伸缩振动（1715 cm^?1）。这些特征信号未与MP基质重叠，可用于后续分析。不同浓度梯度（0.5%–10%）下，1551、1651、1715、2250 cm^?1等特征峰强度随浓度增加而增强，呈现浓度依赖性变化。

**4.2 非建模方法比较**
利用SSE、CRECLS和inverse-PLS三种方法对MEL、DCD、尿素进行定量预测，生成箱线图展示预测浓度分布。inverse-PLS的箱线图四分位距显著大于其他方法，表明预测结果较分散。计算R²、RMSE和RPD（表1）。对于MEL和DCD，三种方法的R²在0.83–0.90之间，定量结果较可靠；尿素掺假的R²仅0.66–0.77，性能较差，主要归因于尿素初始为晶体形态，研磨后与MP混合均匀性差，导致局部浓度变异。SSE的RMSE范围为0.54%–0.75%（w/w），RPD范围为2.28–3.28，在所有掺假物中表现最一致且准确。CRECLS的RMSE为0.70%–1.76%（w/w），RPD为1.56–2.45，性能介于SSE和inverse-PLS之间。inverse-PLS的RMSE为2.91%–4.89%（w/w），RPD为1.05–1.19，精度最低。SSE通过主成分分析提取与干扰正交的标准信号，无需建立校准模型，处理速度快且预测性能优越。CRECLS扩展浓度矩阵，但异常样本会导致偏差。inverse-PLS将每个检测量视为独立测试集，但结果更分散。总体而言，SSE在有限样本条件下表现更稳健，但整体定量结果中等而非强，尿素预测结果仅中等，部分RPD接近2，表明定量稳健性有限。

**4.3 与建模方法比较**
将SSE与经典PLS回归比较。使用10个样本数据点进行SSE预测（表2），结果与20个样本时无显著差异。对于PLS，逐步减少训练集样本数（从110到10），预测性能下降（表3）。当训练集样本数减少至20（10:10）时，PLS的R²降至0.566–0.608，RMSE增大，RPD降至1.5–1.9，性能劣于使用相同样本数的SSE。这是因为SSE的非建模特性使其在样本量减少时预测性能保持相对稳定，而PLS因训练集不足导致欠拟合。因此，在有限样本条件下，非建模方法（尤其是SSE）比传统建模方法具有更一致的定量性能。但与已报道的优化FTIR/近红外化学计量学模型相比，本研究的定量性能属于中等，SSE的优势在于提供更简单的校准替代方案，而非超越高度优化的模型。

**讨论与结论**

讨论部分总结：SSE在三种方法中表现最一致，这归因于其更直接地利用掺假物的特征光谱信息，在复杂MP基质中，当样本量有限且掺假物光谱贡献集中在少数信息波段时，SSE受全局回归关系不稳定的影响小于inverse-PLS。尿素结果较差是样品均匀性差和光谱区分度低共同作用的结果。本研究是一项概念验证性研究，而非完全优化的分析解决方案。研究结论翻译如下：

总体而言，本研究证明了使用非建模红外方法对MP中高氮化合物掺假进行定量评估的可行性。在测试方法中，SSE表现出最一致的性能，但结果也揭示了明显局限性，尤其是对尿素和inverse-PLS。因此，本研究应被视为方法学探索和概念验证性研究，而非用于常规乳制品质量控制的完全优化分析解决方案。此外，由于本研究调查的浓度范围主要选择用于宽范围可行性评估，不应将当前结果过度解释为在监管阈值附近低水平检测具有足够灵敏度的证据。另外，本研究仅基于实验室条件下制备的样品，未包含外部验证、盲样测试或商业MP样品评估，因此方法的稳健性和更广泛适用性尚未完全建立。此外，本工作未进行原始光谱与预处理光谱的系统比较，因此当前结果不应被解释为预处理不必要或原始光谱本征最优。未来工作应进一步改善样品均匀性，优化数据处理，加强方法验证，包括检测限（LOD）相关评估、外部验证、盲样测试、商业MP样品评估以及原始与预处理光谱的系统比较，以增强实际适用性。