液態奶中蛋白質與脂肪含量的測定方法解析
液態奶中蛋白質與脂肪含量的測定方法解析
液態奶新鮮、方便、快捷,已成為一種普及性快速消費品,而劣質液態奶的營養成分嚴重不足,因此,建立快速準確的定量檢測液態奶中營養物質的方法勢在必行。常規化學分析方法測定乳制品中的蛋白質和脂肪含量時,均只針對被測樣品中的單一成分,分析方法耗時費力,且分析成本高，近紅外光譜(NIRS)主要由物質吸收光能使分子振動從基態向高能級躍遷時產生,記錄分子中包含O—H、N—H、C—H單個化學鍵基頻振動的倍頻與合頻信息,具有分析快速、高效、簡單、無損、測試重現性好、無試劑污染、操作性強等優點。而CARS方法是新近提出的一種用于變量篩選的方法,此算法模仿達爾文進化論中“適者生存”原則,將每個變量看成一個個體,對變量實施逐步淘汰的選擇過程。近紅外光譜結合CARS變量篩選方法成為了測定液態奶蛋白質含量的最佳選擇！
蛋白質與脂肪的常規測定：蛋白質含量的測定采用凱氏定氮法(GB/T5413·1-1997),利用粗蛋白測定儀測定,根據乳制品中氮元素含量轉化為蛋白質含量的換算系數,計算液態奶中的蛋白質含量。對每個樣本的脂肪含量嚴格按照GB/T5009·46-2003,采用哥特里-羅紫法檢測，或者粗脂肪測定儀測定。以上實驗中,在重復性條件下獲得的2次獨立測定結果的絕對差值不得超過算術平均值的5%,測定值為每100mL液態奶樣本中蛋白質或脂肪的質量(g),每個樣品平行測定3次。
近紅外光譜通常由大量數據點構成,建模時波長點數遠多于樣本數,因此光譜共線性非常嚴重,利用變量篩選可簡化模型,并提高模型的預測能力。CARS方法模仿達爾文進化理論中的“適者生存”原則,每次通過自適應重加權采樣(ARS)技術篩選出PLS模型中回歸系數絕對值大的波長點,去掉權重小的波長點,利用交互檢驗(CV)選出模型交互驗證均方差(RMSECV)值最低的子集,可有效選擇與所測性質相關的最優波長組合。最后我們得出：采用CARS結合PLS進行建模,所得結果明顯優于全譜建模結果;同時,與MC-UVE、MWPLS和GA 3種方法比較,CARS法用于變量篩選可有效提高模型質量,表明近紅外反射光譜技術結合CARS變量篩選方法適合液態奶中蛋白質和脂肪的快速、無損檢測,而且能達到滿意的檢測精度,為液態奶蛋白質和脂肪含量的快速無損檢測提供了新思路。
