基于傅里叶变换中红外光谱与多算法的牛乳游离脂肪酸定量与定性建模研究

《Foods》：Enhancing FT-MIR Prediction of Short-Chain Free Fatty Acids in Milk Through High-Lipolysis Field Samples, Reference Method Evaluation and Machine Learning Approaches

　　

摘要

脂肪水解是乳制品行业中一个长期存在且备受关注的话题。脂肪水解在二十世纪经历了广泛的研究，因此常被过早地视为一个已定论或过时的研究领域。近年来，机器人挤奶系统的普及和挤奶频率的提高导致脂肪水解水平上升，重新引发了人们对牛奶质量监控的关注。更有效地预测脂肪水解依赖于对游离脂肪酸（FFA）浓度的分析。近期研究表明，定量测定生奶中单一游离脂肪酸是可行的。其中，傅里叶变换中红外（FT-MIR）光谱在预测这些化合物方面展现出了 considerable 潜力。然而，该研究存在若干局限性，包括使用了非标准化的参考方法，以及依赖人工水解样品来增强校准数据集的变异性。为克服这些局限性，本研究将FT-MIR游离脂肪酸模型作为初步筛选工具，以选择高脂肪水解的样品（n = 248），并使用ISO参考方法对所选样品进行分析。共筛选出248个样品，其中208个来自比利时瓦隆乳品改良组织（Walloon DHI），40个采集自CRA-W实验农场。对两种参考方法进行了比较，结果表明需要统一参考分析方法，因为两种参考方法仅对短链游离脂肪酸（SCFFA）具有可比性。本研究采用偏最小二乘法（PLS）、核岭回归（KRR）、支持向量机回归（SVR）、随机森林回归（RFR）和高斯过程回归（GPR）等不同算法，结合两种参考数据，构建了SCFFA的混合模型。所开发的SCFFA模型预测性能与文献报道的水平相当，验证集R²值为0.80，RMSE_val为32.08 mg/L。同时，基于文献中强调的阈值，使用与定量模型相同的算法创建了SCFFA的定性模型，在测试数据集上的正确分类准确率为85%。本研究表明，正确选择参考方法以构建校准数据集是必要的。非线性算法相比PLS在特定分析物上提供了改进，尤其是对C6、C8和SCFFA的预测。