基于近红外 (NIR) 光谱法检测不同脂肪含量碎牛肉粉中的猪肉掺假

《Spectrochimica Acta Part A: Molecular and Biomolecular Spectroscopy》：Pork adulteration detection in minced beef powders with varying fat content using near-infrared (NIR) spectroscopy

　　## 摘要碎牛肉作为主要原料广泛用于各种加工肉制品，易受较低价格肉类（如猪肉）的掺假。虽然近红外 (NIR) 光谱已被用于检测此类掺假，但脂肪含量作为掺假检测关键特征的作用尚未得到充分探索。为解决这一差距，本研究调查了近红外 (NIR) 光谱检测不同脂肪含量和掺假水平下碎牛肉中猪肉掺假的潜力，并确定了检测最有信息的 NIR 波段。由于水在 NIR 范围内是强吸收体，在光谱扫描前对样本进行了干燥和粉碎，以尽可能地减少其屏蔽效应。应用协同区间偏最小二乘判别分析 (SiPLS-DA) 确定了区分猪肉和牛肉 - 猪肉混合物的影响性光谱区域。总体而言，检测模型在分类高脂混合物样本方面优于瘦肉混合物样本，这表明脂肪在 NIR 检测碎牛肉中的猪肉掺假起着重要作用。这一发现表明，脂肪特征的物种特异性差异有助于产生独特的光谱特性，从而支持模型将样本分类到各自的类别中。在 120 种双重交叉验证组合中，包含 1521 至 1719 nm 波长范围的模型测试集准确率达到了 86.3 ± 6.3%，对检测猪肉掺假样本具有高灵敏度 (高达 93.0 ± 8.0%)，但特异性较低 (72.1 ± 18.0%)。这些发现表明，在适当的样本制备后，NIR 光谱具有快速检测猪肉掺假碎牛肉的潜力。然而，模型在分类瘦牛肉和含有 20% 猪肉掺假的样本方面表现有限，其误分类率最高分别为 46.2% 和 20.97%。## 引言牛肉因其美味和高质量的蛋白质及矿物质来源而被广泛食用 [1], [2]。然而，其高经济价值使其极易受到掺假 [3]。一种常见的掺假形式是混合或替换为较低价格的肉类，特别是猪肉 [4], [5]。多年来，在各种加工肉制品中报告了牛肉产品中的猪肉掺假，如碎牛肉、肉丸、汉堡和千层面 [3], [6]。这些行为通常是生产者故意进行的，以增加利润空间 [5]。除了构成肉类行业内的不公平贸易外，猪肉掺假还引起了严重的伦理和宗教担忧，因为在伊斯兰教和犹太教中，猪肉及其衍生物是被严格禁止的 [7], [8]。因此，猪肉掺假给监管和宗教当局带来了挑战，关系到确保食品真实性及符合宗教饮食要求 [9], [10], [11]。这种做法还削弱了消费者信任，并相对于消费者期望降低了产品价值。传统的肉类掺假检测方法，包括基于 DNA 的技术，如聚合酶链式反应 (PCR) 和实时 PCR (RT-PCR) [9], [10], [11], [12]，以及色谱方法，如液相色谱 - 质谱联用 (LC-MS) 和气相色谱 (GC) [13], [14]，广泛用于肉类及肉制品的真实性鉴定。这两种方法都准确，但涉及样本制备和提取步骤，劳动强度大并产生大量化学生物废弃物。PCR 需要连续的 DNA 提取、扩增和解释和/或定量，这依赖于提取试剂盒和引物 [12]。同样，色谱技术遵循复杂的程序，涉及样本提取、样本修饰 (例如蛋白质消化或化学衍生化) 和清理阶段 (例如肽脱盐或水分去除)，在整个制备过程中使用溶剂和化学试剂 [13], [14]。因此，监管机构难以高效监控大量样本，特别是在资源受限的地区。例如，在东南亚，小规模经销商更容易参与猪肉掺假，有限的监管能力导致清真当局采用了自我申报系统，经销商声明其产品不含猪肉 [10], [15]。虽然这种方法加速了清真验证过程，但缺乏系统筛查技术增加了操纵的风险，这凸显了对能够快速、可靠地进行早期检测和大规模监控方法的需求。近红外 (NIR) 光谱已被研究作为一种有前景的技术，用于检测牛肉产品（包括碎牛肉和牛肉饼）中的猪肉掺假 [4], [16], [17], [18], [19], [20], [21]。与 PCR 或色谱技术不同，NIR 光谱操作只需最少的样本制备且不需要化学试剂。因此，它被认为是一种绿色分析技术。其快速的光谱测量也相较于 PCR 或色谱技术具有显著的时间优势。然而，整个过程时间也取决于物理样本制备。由于水在 NIR 范围内是强吸收体，几项关于肉类的 NIRS 研究涉及的样本包含了干燥步骤，以减少水对 NIR 光吸收的影响并增强与感兴趣的质量特征相关的光谱特征 [22], [23]。虽然这种样本预处理已被证明可以提高模型准确性，但也增加了总分析时间。由于预期纯碎牛肉和掺假猪肉的碎牛肉之间的光谱差异是细微的，本研究也包含了一个干燥步骤，以最大限度地减少水分的屏蔽效应，同时保留与脂肪和其他肉类成分相关的光谱信息。NIR 光谱依赖于检测有机化合物的分子振动进行检测分析。几项研究进一步调查了与脂质含量相关的特定光谱区域，这有助于在牛肉中检测猪肉 [16], [17], [21]。然而，不同的策略被用来应对脂肪含量对检测性能的影响。虽然一些研究人员强调脂肪作为关键区分因素，但其他人则特意去除脂肪并使用瘦肉来开发检测模型 [19], [20]。脂肪含量是肉制品的一个重要方面，因为它直接影响关键的物理化学性质和光谱响应 [24]。尽管如此，大多数报道的研究并未明确将脂肪变异纳入其采样设计，也未系统评估其对牛肉产品中猪肉掺假检测性能的影响。鉴于商业肉制品通常含有超过 10% w/w 的脂肪 [25]，脂肪变异代表了使用 NIR 光谱进行真实性研究中的一个实际相关但探索不足的因素。因此，本研究调查了脂肪含量变化 (瘦肉与高脂碎牛肉) 在不同猪肉掺假水平下如何影响 NIR 光谱模型的分类性能。除了考虑脂肪变异外，确定最有信息量的光谱区域对于理解哪些光谱波段与猪肉掺假检测相关的化学成分相关至关重要。变量选择提供了一种有针对性的方法，通过消除噪声、冗余和不相关变量来确定有影响力的光谱范围 [26], [27], [28]。区间偏最小二乘 (iPLS) 评估基于全光谱内子区间组合建立的模型，并评估每个区间包含对模型性能的影响 [27]。在正向模式下，iPLS 依次搜索提供模型性能最高增加的区间，结合在前一次迭代中选择的区间。协同区间偏最小二乘 (SiPLS) 是区间偏最小二乘 (iPLS) 的扩展，它评估所有子区间的组合以找到产生最佳模型性能的组合 [28], [29]。其判别分析变体 (SiPLS-DA) 可以在揭示与掺假检测相关的化学成分光谱区域的同时提高检测性能。据作者所知，此前没有研究应用 SiPLS-DA 来识别不同脂肪含量的碎牛肉产品中检测猪肉掺假的有信息 NIR 光谱区域。相应地，本研究的目的是检测不同脂肪含量和掺假水平下碎牛肉中的猪肉掺假，并确定用于此目的的最有信息量的 NIR 波段。## 章节片段### 样本制备新鲜牛肉和猪肉购自比利时鲁汶的一家当地超市。准备了十批次，每批次由不同一天购买的肉制成，以确保样本来自不同的个体，每批次使用约 700–1000 g 的牛肉和猪肉购买量。由于比利时市场上的牛肉和猪肉通常较瘦 [30], [31]，额外的脂肪是从腹部或肋部获取的。瘦肉和脂肪被分离并存储在 -20 °C 的冰箱中，直到实验当天。### 肉粉混合物的光谱获取的碎肉粉末光谱如图 2 所示。虽然本研究应用了烤箱干燥，但获得的光谱模式与 Andueza 等人 (2019) [22] 报告的相当，他们使用冷冻干燥去除水分。这表明本工作中应用的 40 °C 干燥温度足够低，能够保护蛋白质等主要肉类内部成分，使其免受严重变性。与新鲜肉 [16], [22] 相比，...### 结论本研究调查了 NIR 光谱检测不同脂肪含量和掺假水平下碎牛肉中猪肉掺假的潜力。总体而言，分类模型在高脂混合物中比在瘦肉混合物中表现更好，这表明牛肉脂肪和猪肉脂肪之间的光谱性质差异增强了猪肉检测。使用 SiPLS-DA 选择最具区分度的波长区间表明，1521 至...### CRediT 作者贡献声明**Zaqlul Iqbal**: 撰写 – 原始草稿，撰写 – 审阅与编辑，可视化，方法论，调查，数据整理，概念化。**Annelies Postelmans**: 撰写 – 审阅与编辑，概念化，方法论。**Joni Kusnadi**: 概念化，撰写 – 审阅与编辑。**Wouter Saeys**: 撰写 – 审阅与编辑，可视化，监督，方法论，资金获取，概念化。### 撰写过程中生成式 AI 和 AI 辅助技术的声明在准备本工作期间，作者使用了 ChatGPT 5.3 来优化语言，提高清晰度和可读性。在使用该工具/服务后，作者审阅并编辑了所需的内容，并对已发表文章的内容承担全部责任。### 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，这些可能已被视为影响本文报告的工作。Zaqlul Iqbal|Annelies Postelmans|Joni Kusnadi|Wouter Saeys比利时鲁汶大学生物系统系，MeBioS