大豆皮作为大豆加工副产品之一,主要由纤维和果胶组成,几乎不含淀粉[1]。大豆皮水分含量约10%,干物质的80%是碳水化合物,其中非纤维性碳水化合物(NFC)含量约占20%,且木质素含量低、适口性好、消化率高[2]。对单胃动物来说,大豆皮由于纤维素和半纤维素含量较高,能够在盲肠发酵为挥发性脂肪酸为动物供能,故大豆皮是很好的纤维饲料原料,而且具有价格低、产量大的优势,可以降低养猪成本、提高养猪效益[3]。大豆皮在反刍动物中的应用,可以增加其唾液的分泌,促进瘤胃蠕动及乙酸的产生,提高脂肪和蛋白质含量[4-5]。我国大豆皮资源丰富,其不仅可以代替粗饲料,还能替代部分玉米和小麦等谷物饲料,且价格低廉。因此,大豆皮作为动物饲料资源有着广阔的应用前景。
近红外光谱(NIR)技术作为目前发展最快和最具前景的过程分析技术之一,具有无损、快速、准确、无污染等优点,已被广泛应用于不同的科学研究领域。目前,在畜禽饲料营养评定方面,NIR技术被越来越广泛的应用。在饲料原料营养成分评定方面,关于玉米、小麦、稻谷、高粱及豆粕等营养成分含量的NIR检测已有报道[6-9],此外在饲料成品的评定以及畜禽饲料消化率预测等方面也有研究。王勇生等[10]应用NIR技术建立了高粱中粗蛋白质(CP)、水分含量近红外模型,模型的相对分析误差(RPD)分别为8.41、12.20;交互验证相对分析误差分别为4.97、7.97;外部验证RPD分别为3.32、5.36,表明该模型具有精确地评估高粱中CP和水分含量的应用效果。Nirea等[11]利用NIR技术准确地预测粪便的化学成分和营养物质含量,如有机物(OM)、CP含量及总能的表观总消化率(ATTD)。王旭峰[12]研究了饲料成品中水分、CP、粗纤维(CF)和粗脂肪(EE)含量等近红外模型的建立,模型的决定系数(R2)分别为0.911、0.867、0.945和0.917,具有较好的预测效果。而对于饲料原料纤维等营养指标的报道较少,尤其在大豆皮CF、中性洗涤纤维(NDF)及酸性洗涤纤维(ADF)含量方面的研究,因此,本研究主要针对目前饲用大豆皮纤维相关指标,应用NIR技术进行图谱采集、模型建立及验证,以期为大豆皮的快速无损检测提供参考。
1 材料与方法 1.1 试验材料 1.1.1 样品收集与处理选择饲料用大豆皮,大豆皮样品来自于国内不同地区,共106份单个样品。将大豆皮样品用莱驰粉碎机(ZM 200型,德国)粉碎,过40目标准筛。过筛后,将样品混合均匀,采用四分法取样,取相对的2份混合,然后再平分,直到达到分样要求。样品分为2个重复,装入自封袋中,干燥避光处存放,并对样品进行NIR扫描,扫描的同时采用湿化学分析法测定大豆皮纤维相关指标含量。
1.1.2 主要仪器及试剂。主要仪器:NIR仪(BRUKER,MATRIX-I)、全自动纤维浸提仪(Gerhardt, FT12)、脂肪分析仪(ANKOM, XT10)、天平(METTLER, ML204T)及马弗炉(上海一恒,SX2-4-10)、烘箱(上海一恒,DHG-9075A)等。
试剂:石油醚、丙酮、四硼酸钠、无水磷酸氢二钠、乙二胺四乙酸二钠、硫酸、氢氧化钾、十二烷基硫酸钠等(广州化学试剂厂);十六烷基三甲基溴化铵(天津大茂);正辛醇、乙二醇乙醚(国药)。
1.2 试验方法 1.2.1 大豆皮中水分、CF、NDF及ADF含量测定分别采用GB/T 5009.3—2016、GB/T 6434—2006、GB/T 20806—2006及NY/T 1459—2007方法测定大豆皮中水分、CF、NDF及ADF含量。
1.2.2 大豆皮NIR采集本实验室利用BRUKER公司MATRIX-I傅里叶变换NIR仪,采集106份大豆皮样品的光谱。光谱采集范围为4 000~11 500 cm-1,分辨率为16 cm-1,扫描次数64,样品重复装样扫描3次,取3次扫描光谱作为样本的原始光谱,大豆皮近红外扫描光谱见图 1。
大豆皮近红外预测结果及湿化学数据采用SPSS 21.0进行统计分析。采集的大豆皮样品光谱,利用MATRIX-I傅里叶变换NIR仪中OPUS 8.1软件的各种光谱数据预处理技术和统计方法进行校正,根据检验结果确定最佳的定标参数设置。光谱基线校正:使用矢量归一化(SNV)和多元散射校正(MSC)等;数学处理:使用导数处理和平滑处理2种方法。导数处理又分一阶导数和二阶导数处理;平滑处理又分移动窗口平滑和S-G卷积平滑。定标模型的验证:采用内部验证和外部验证(将样品按7∶3的比例随机分为定标集和验证集)2种方法,根据R2、内部验证均方根误差(RMSECV)、外部验证均方根误差(RMSECP)及RPD等评价定标模型的可行性。
1.3.2 定标模型评估指标定标模型对各指标的评估,如果RPD≥3.0,说明定标效果良好,建立的定标模型可以用于实际检测;如果2.5≤RPD < 3.0,说明利用NIR扫描对该成分进行定量分析是可行的;如果RPD < 2.5,则说明该成分不适合进行NIR定量分析。
2 结果与分析 2.1 大豆皮纤维相关指标的测定采用国标湿化学方法,检测了106份大豆皮样本中水分、CF、NDF及ADF含量,并计算其平均值、标准偏差及变异系数,检测结果见表 1。
近红外建模过程中参数的选择,包括谱区范围、预处理方法(基线校正、数学处理)及最优主因子数等,均会影响近红外模型构建的质量。本试验大豆皮采用偏最小二乘法(PLS)化学计量学方法进行建模,水分含量参与建模样品71个,预测集30个,5个为剔除值,主因子数为7;CF含量采用PLS化学计量学方法进行建模,参与建模样品69个,预测集29个,8个为剔除值,主因子数为8;NDF和ADF含量均采用PLS化学计量学方法进行建模,光谱处理方式均选择一阶导数+SNV,保证建模的稳定性,参与建模样品68个,预测集28个,10个为剔除值,预测模型的建模参数见表 2。
本研究利用OPUS 8.1定标软件,通过内部交叉验证及外部验证2种方法,对大豆皮3种纤维指标的近红外模型进行评估。从表 3可以看出,大豆皮水分及3种纤维指标模型决定系数均接近于1,且模型的RPD均大于3,均方根误差 < 0.6,表明该模型具有较好的稳定性及预测能力,用该模型预测类似样品可以得到较好的预测效果。
大豆皮纤维相关指标内部交叉验证的结果分别见图 2至图 5,内部交叉验证得到各化学组分交叉验证RMSECV较小,且模型的R2均大于0.9,RPD均大于3.0,说明整体样品分布均匀,比较集中地分布在中心线附近,定标效果良好,建立的定标模型可以用于实际检测。其中大豆皮水分含量的模型较好,RPD>13.6,且RMSECV为0.07,而纤维指标中CF、NDF及ADF含量模型的RPD分别为3.62、4.82及3.37,R2分别为0.92、0.95及0.91,这表明模型预测值与实测值比较接近,模型的精确性高,具有较好的应用效果。
为了更直观地考察大豆皮纤维相关指标近红外模型的预测能力、准确性及重现性,本试验同时对近红外模型进行了外部验证。由验证结果图 6~图 9可知,大豆皮纤维相关指标的外部验证结果RPD低于内部交叉检验,但RPD均大于3,且模型的R2均大于0.9,表明模型的预测能力准确性高、重现性较好。定标模型建立后,按梯度选择10份大豆皮样本来验证模型的准确性,并同化学测定值进行比较,结果见表 4。通过比较发现,水分含量化学值与近红外预测值绝对偏差均小于0.2%,满足国标要求(水分含量 < 15%的样品绝对差值< 0.2%),相对偏差均≤1.3%,3种纤维指标相对偏差均小于3%,满足国标要求。因此,本试验建立的大豆皮3种纤维含量的近红外模型预测效果较好,能够用来评估大豆皮样品中纤维的含量。
NIR技术的应用前景十分广阔,尤其是在饲料原料及饲料养分预测、营养价值评定、质量监测等方面。目前在NIR技术应用方面,不局限于快速检测水分、CP、EE、灰分等这些常规指标,同时也可检测许多功能性指标,包括淀粉、氨基酸、能值及消化率等[13-14]。常冬等[15]利用NIR技术测定玉米、豆粕、干酒糟及其可溶物(DDGS)等饲料原料中淀粉含量,结果表明麸皮和菜籽粕含量预测模型效果最好,喷浆玉米皮、DDGS、玉米次之,豆粕、棉籽粕等淀粉含量较低的原料预测效果相对较差,但模型的R2除棉籽粕外均大于0.9。何云等[16]利用NIR技术建立了苜蓿干草常规营养成分包括干物质(DM)、CP、NDF和ADF含量的近红外预测模型,且模型的预测决定系数(RSQV)均大于0.80,外部验证相对分析误差(RPDV)均大于2.50,建模效果较好,可用于实际含量的测定。李军涛[17]使用NIR技术快速测定了生长猪玉米的可消化能(DE)和代谢能(ME),其中消化能实测值近红外校正、交叉检验及外部验证决定系数分别为0.89、0.87和0.86,代谢能分别为0.87、0.86和0.86,具有较好的预测效果。
关于近红外预测模型验证指标的评估方面,主要包含模型的R2、RPD及均方根误差等。Chen等[18]研究指出,当RPD≥3.0时,定标模型能精确预测相关成分含量,定标模型的预测效果较理想。同时需要兼顾模型的均方根误差值及R2,一般R2值越接近于1,均方根误差越小,模型的稳定性及适用性越高。本试验研究的大豆皮纤维相关指标的近红外模型,RPD>3.0,且模型的R2>0.9,RMSEE、RMSECV及RMSECP均 < 0.6,表明建立的模型精确性高,具有较好的应用效果。
确保建立的近红外预测模型的稳定性及准确性,同时需要保证收集样品的代表性、近红外仪器的稳定性、建模参数选择的合理性以及湿化学数据检测的准确性[19]。定标集样品应该在区域较广的范围内进行选择,要具有代表性。近红外仪器的稳定性会引起预测结果的误差,如仪器波长的准确性、基线的飘逸、噪声等。建模参数的选择,包括波长范围、光谱预处理方法及建模方法均会影响模型的准确性。同时实验室人员的操作能力也会影响整个建模过程的可行性,包括样品的取样、粉碎、湿化学检测及样品的扫描等。本试验在研究过程中,严格按照近红外定标的操作流程,保证取样的代表性、规范制样和粉碎过程、控制合理的仪器环境温湿度和扫描前校准、保证湿化学数据的准确性和重复性,降低试验误差的产生。
4 结论① 大豆皮纤维相关指标的近红外预测模型均采用一阶导数+SNV光谱预处理方法。SNV是散射校正技术之一,光谱经过SNV处理后,减少了非线性弯曲作用而产生的偏差;一阶导数处理,提高光谱的精细度,减小基线的不稳定,消除基线漂移,减小颗粒度变化对光谱的影响,提高近红外预测模型的稳定性和准确性。
② 大豆皮纤维相关指标采用PLS化学计量学方法进行建模,建立的水分、CF、NDF及ADF含量模型的Rcal2、Rcv2及Rval2均大于0.9,其中水分含量的模型预测效果最好,且RPD为19.30,CF和NDF含量的模型预测效果次之,RPD分别为5.06和5.24,ADF含量模型预测的RPD为3.66,4个指标的RPD均大于3.0,表明模型定标效果良好,可以用来评估大豆皮纤维相关指标的含量。
[1] |
侯世忠, 祝平, 井长伟. 大豆皮的营养价值及在饲料中的应用[J]. 吉林畜牧兽医, 2007, 28(9): 18-21. HOU S Z, ZHU P, JING C W, et al. Nutritional value of soybean hulls and its application in feed[J]. Jilin Animal Husbandry and Veterinary Medicine, 2007, 28(9): 18-21 (in Chinese). |
[2] |
徐俊, 苏衍菁, 顾小卫, 等. 大豆皮在动物日粮中的研究现状及展望[J]. 中国饲料, 2010(15): 32-35. XU J, SU Y C, GU X W, et al. Research status and prospect of soybean hulls in animal diet[J]. China Feed, 2010(15): 32-35 (in Chinese). |
[3] |
GOEHRING D L, WU F Z, DEROUCHEY J M, et al. The effects of soybean hulls level, distillers dried grains with solubles, and net energy formulation on nursery pig performance[J]. Translational Animal Science, 2019, 3(4): 1335-1348. DOI:10.1093/tas/txz126 |
[4] |
POORE M H, JOHNS J T, BURRIS W R. Soybean hulls, wheat middlings, and corn gluten feed as supplements for cattle on forage-based diets[J]. Veterinary Clinics of North America: Food Animal Practice, 2002, 18(2): 213-231. DOI:10.1016/S0749-0720(02)00021-X |
[5] |
FERREIRA E M, PIRES A V, SUSIN I, et al. Apparent digestibility, nitrogen balance, and ruminal constituents in ram lambs fed high-concentrate diets containing soybean hulls[J]. Journal of Animal Science, 2011, 89(12): 4127-4133. DOI:10.2527/jas.2010-3419 |
[6] |
王超胜. 不同来源玉米、豆粕对蛋鸡代谢能和氨基酸可利用率的评定及近红外预测模型的构建[D]. 硕士学位论文. 雅安: 四川农业大学, 2014. WANG C S.Evaluation of metabolic energy and amino acid availability of layer hens and construction of near-infrared prediction model from different sources of corn and soybean meal[D].Master's Thesis.Ya'an: Sichuan Agricultural University, 2014.(in Chinese) |
[7] |
李娟, 李忠海, 付湘晋. 稻谷新陈度近红外快速无损检测的研究[J]. 光谱学与光谱分析, 2012, 32(8): 2126-2130. LI J, LI Z H, FU X J, et al. Research on the rapid nondestructive testing of rice in near-infrared[J]. Spectroscopy and Spectral Analysis, 2012, 32(8): 2126-2130 (in Chinese). |
[8] |
于翠红, 樊翠芹, 张丽, 等. 玉米子粒粗蛋白近红外模型的建立[J]. 河北农业科学, 2019, 23(6): 101-105. YU C H, FAN CQ, ZHANG L, et al. Establishment of crude protein model by near-infrared on corn kernel[J]. Journal of Hebei Agricultural Sciences, 2019, 23(6): 101-105 (in Chinese). |
[9] |
王丽萍, 陈文杰, 赵兴忠, 等. 基于近红外漫反射光谱法的大豆粗蛋白和粗脂肪含量的快速检测[J]. 大豆科学, 2019, 38(2): 280-285. WANG L P, CHEN W J, ZHAO X Z, et al. Rapid determination of soybean crude protein and crude fat content based on near-infrared diffuse reflectance spectroscopy[J]. Soybean Science, 2019, 38(2): 280-285 (in Chinese). |
[10] |
王勇生, 李洁, 王博, 等. 基于近红外光谱技术评估高粱中粗蛋白质、水分含量的研究[J]. 动物营养学报, 2020, 32(3): 1353-1361. WANG Y S, LI J, WANG B, et al. Evaluation of crude protein and moisture content in sorghum based on near-infrared spectroscopy[J]. Chinese Journal of Animal Nutrition, 2020, 32(3): 1353-1361 (in Chinese). |
[11] |
NIREA K G, DE NANCLARES M P, SKUGOR A, et al. Assessment of fecal near-infrared spectroscopy to predict feces chemical composition and apparent total-tract digestibility of nutrients in pigs[J]. Journal of Animal Science, 2018, 96(7): 2826-2837. |
[12] |
王旭峰. 近红外光谱分析技术在饲料品质快速检测中的应用研究[D]. 硕士学位论文. 南昌: 南昌大学, 2013. WANG X F.Application of near infrared spectroscopy (NIR) in the rapid detection of feed quality[D].Master's Thesis.Nanchang: Nanchang University, 2013.(in Chinese) |
[13] |
樊霞, 姜训鹏, 贾铮, 等. 玉米干全酒精糟氨基酸的近红外检测研究[J]. 饲料工业, 2020, 41(10): 50-54. FAN X, JIANG X P, JIA Z, et al. Detection of amino acids in corn dry alcohol lees by near-infrared[J]. Feed Industry, 2020, 41(10): 50-54 (in Chinese). |
[14] |
曹明月, 郑爱荣, 娄渊志, 等. 奶牛全混合日粮常规营养成分含量近红外快速检测模型的构建与应用[J]. 动物营养学报, 2020, 32(7): 3420-3427. CAO M Y, ZHENG A R, LOU Y Z, et al. Construction and application of near-infrared rapid detection model for routine nutrient content of total mixed ration in dairy cattle[J]. Chinese Journal of Animal Nutrition, 2020, 32(7): 3420-3427 (in Chinese). |
[15] |
常冬, 张森, 王凤香, 等. 近红外快速测定饲料原料淀粉含量[J]. 中国粮油学报, 2017, 32(8): 136-139, 146. CHANG D, ZHANG S, WANG F X, et al. The starch content of feed raw material was determined by near-infrared spectroscopy[J]. Chinese Journal of Cereals and Oils, 2017, 32(8): 136-139, 146 (in Chinese). |
[16] |
何云, 张亮, 武小姣, 等. 苜蓿干草常规营养成分含量近红外预测模型的建立[J]. 动物营养学报, 2019, 31(10): 4684-4690. HE Y, ZHANG L, WU X J, et al. Near-infrared prediction model establishment for routine nutrient component content of alfalfa hay[J]. Chinese Journal of Animal Nutrition, 2019, 31(10): 4684-4690 (in Chinese). |
[17] |
李军涛. 近红外反射光谱快速评定玉米和小麦营养价值的研究[D]. 博士学位论文. 北京: 中国农业大学, 2014. LI J T.Research on rapid assessment of nutritional value of maize and wheat by near-infrared reflectance spectroscopy[D].Ph.D.Thesis.Beijing: China Agricultural University, 2014.(in Chinese) |
[18] |
CHEN L J, YANG Z L, HAN L J. A review on the use of near-infrared spectroscopy for analyzing feed protein materials[J]. Applied Spectroscopy Reviews, 2013, 48(7): 509-522. |
[19] |
隋莉, 郭团结, 杨红伟, 等. 饲料企业近红外规模化应用关键控制点[J]. 中国畜牧杂志, 2017, 53(11): 108-113. SUI L, GUO T J, YANG H W, et al. Critical control points in feed enterprises of near-infrared scale application[J]. Chinese Journal of Animal science, 2017, 53(11): 108-113 (in Chinese). |