Chinese Journal of Animal Nutrition >

2024 , Vol. 36 >Issue 8: 5432 - 5440

DOI: https://doi.org/10.12418/CJAN2024.462

RESEARCH PAPER

Rapid Detection of Putrescine in Raw Milk Based on Mid-Infrared Spectroscopy Technology

  • SI Boxue , 1, 2 ,
  • ZHANG Yangdong 1, 2 ,
  • ZHENG Nan 1, 2 ,
  • WANG Jiaqi , 1, 2, *
Expand
  • 1 Key Laboratory of Quality & Safety Control for Milk and Dairy Products of Ministry of Agriculture and Rural Affairs, Institute of Animal Sciences, Chinese Academy of Agricultural Sciences, Beijing 100193, China
  • 2 State Key Laboratory of Animal Nutrition and Feeding, Institute of Animal Science, Chinese Academy of Agricultural Sciences, Beijing 100193, China
*professor, E-mail:

Received date: 2024-03-04

  Online published: 2024-08-12

Fold

Abstract

The aim of this experiment was to establish a mid-infrared spectral prediction model for the rapid detection of putrescine in raw milk. Raw milk samples collected from 16 farms were stored at 4 ℃ for 0 to7 d. The content of putrescine in raw milk was detected by high performance liquid chromatography-mass spectrometry method, and the mid-infrared spectrum of raw milk was collected by FT 120 milk composition analyzer. The original mid-infrared spectrum was preprocessed by standard normal variate transformation (SNV), Savitsky-Golay (SG) smoothing, first-order derivative or second-order derivative to eliminate background noise, and then partial least squares regression (PLSR) method was used to construct the putrescine prediction model. The results showed that by comparing different mid-infrared spectral preprocessing methods, the SG smoothing+second-order derivative preprocessing method was finally chosen to preprocess the spectra to establish a prediction model, the model has an determination coefficient (R2) of 0.995 9 and an root mean square error (RMSE) of 0.054 2 for the test set and an R2 of 0.811 2 and an RMSE of 0.368 4 for the validation set, providing good accuracy and stability. In conclusion, a rapid method for the determination of putrescine in raw milk is established based on mid-infrared spectroscopy, which can provide reference for the rapid detection of putrescine in raw milk.

Key words： mid-infrared spectroscopy; raw milk; putrescine; partial least squares regression

Cite this article

SI Boxue , ZHANG Yangdong , ZHENG Nan , WANG Jiaqi . Rapid Detection of Putrescine in Raw Milk Based on Mid-Infrared Spectroscopy Technology[J]. Chinese Journal of Animal Nutrition, 2024 , 36(8) : 5432 -5440 . DOI: 10.12418/CJAN2024.462

新鲜牛奶中的活性营养物质(如乳铁蛋白、免疫球蛋白等)可以有效提高人体免疫力,构建安全屏障,应对新冠肺炎等疾病[1-2]。牛奶中丰富的营养物质不仅能为人类提供能量,也是微生物生长繁殖的绝佳培养基,所以极易发生腐败变质,导致新鲜度降低。生乳位于奶产业链的最上游,不新鲜或变质的生乳直接影响乳产品质量,使人类不仅不能获得丰富的营养物质和能量,而且还可能影响身体健康[3]。因此,对生乳新鲜度的评价具有重要的现实意义。目前生乳新鲜度评价主要以常规方法为主,如进行酸度、菌落总数测定等,这些检测方法具有操作复杂、耗时长、主观性强、难以批量操作等弊端,已经难以应对现代化的检测需要[4]。因此,亟需探索新的生乳新鲜度评价指标和检测方法。生乳中丰富的营养物质在储藏过程中极易受到微生物和环境变化的影响导致新鲜度下降,发生腐败变质。乳蛋白在微生物及内、外源酶的作用下分解为游离氨基酸,随储藏时间的延长不断分解为生物胺、醛、酮等小分子物质[5]。生物胺作为食品腐败变质过程中的产物,常被认为是食品新鲜度评价的重要指标[6⇓-8]。
腐胺(PUT)是生物胺家族中的一种,常见于奶制品、肉类、鱼等食物中[9⇓-11],其含量在食物储存过程中变化最为显著,是食物新鲜度评价的重要指标之一。从20世纪开始,腐胺就被广泛应用于食品新鲜度评价领域。在猪肉新鲜度评价中,Slemr等[12]、Hernández-Jover等[13]发现腐胺含量变化与猪肉新鲜度关系密切;在牛肉新鲜度评价中,Vinci等[8]、Franco等[14]提出腐胺可以作为牛肉新鲜度的评价指标;在鸡肉新鲜度评价中同样发现腐胺含量的变化可以表征新鲜度[15-16]。有研究报道,生乳中腐胺含量在冷藏条件下变化规律简单,与感官指标、酸度呈现良好的正相关[1];赵瑞[5]对生乳中腐败标志物的筛选研究发现,无论是在4 ℃冷藏条件下还是在20 ℃常温条件下,生乳中腐胺含量均随贮存时间的延长而增加,且温度越高腐胺含量增加速度越快,这表明生乳中的腐胺含量可用于生乳新鲜度评价。目前腐胺的检测方法主要为高效液相色谱法,该方法具有检测准确、灵敏高、重现性好等优点,但是也存在操作繁琐、耗时长、有机试剂污染、仪器昂贵不能普遍推广的弊端。
中红外光谱是一种经济、快速、无污染、能批量操作的检测方法,已被广泛应用于快速测定牛奶成分[17-18]。在我国奶牛生产性能测定(DHI)中,乳脂肪、乳蛋白、乳糖、总固形物、非脂固形物等指标均采用中红外光谱检测,通过建立生乳中腐胺中红外光谱检测方法能实现一次上机多项指标批量检测,真正实现高效、节能、经济、环保。
为确定使用中红外光谱检测生乳中腐胺的可能性,本试验尝试对全波段的中红外光谱进行不同的降噪方式处理,并结合偏最小二乘回归(PLSR)法建立腐胺的定量分析模型,探求建立一种准确、快速、便捷的生乳中腐胺的检测方法,以期为生乳新鲜度评价提供借鉴。

1 材料与方法

1.1 化学试剂与标准品

质谱级乙腈(美国Fisher公司)纯度≥99.9%,色谱级甲酸(上海麦克林公司)纯度≥99.0%,色谱级甲酸铵(德国Fluka公司)纯度≥99.0%。超纯水由Milli-Q净化系统(美国Millipore公司)制备。
标准品:腐胺(PUT),浓度为100 μg/mL,纯度≥98%,购于天津阿尔塔科技有限公司;内标:1,7-二氨基庚烷(DIA),纯度≥98%,购于上海麦克林生化科技股份有限公司。

1.2 仪器与设备

SCIEX Qtrap 6500+液相质谱联用仪(美国AB公司)、色谱柱(AtlantisTM Premier BEH Z-HILIC,2.5 μm,2.1 mm×150 mm,1/pk,美国Waters公司)、AL204型分析天平(感量0.1 mg,美国梅特勒托利多仪器上海有限公司)、MFV-24氮吹仪(广州得泰仪器科技有限公司)、Milli-Q超纯水发生器(美国Millipore公司)、CR22G型落地高速冷冻离心机(日本日立中国有限公司)、有机相针头式滤器(0.22 μm,天津腾津实验仪器有限公司)、DMT-2500多管涡旋混合仪(杭州米欧仪器有限公司)、WAT-NW-35C高纯氮气发生器[普敦实验室设备(上海)有限公司]、移液枪(北京京科瑞丰科学仪器有限公司)、超声波清洗机(东莞康士洁超声波科技有限公司)、FT 120乳成分分析仪(丹麦FOSS公司)。

1.3 样品采集与制备

生乳样品采集于北京三元乳业工厂和内蒙古蒙牛乳业六期工厂,每个工厂共采集8个不同牧场的奶罐车,共计16个牧场的生乳样品。样品采集后立即在低温冷藏条件下运送至实验室,在4 ℃条件下冷藏0、1、2、3、4、5、6、7 d,在对应的时间点进行腐胺和中红外光谱的检测,共计128个样品数据。

1.4 腐胺测定

参考赵瑞[5]对乳中生物胺的液相质谱检测方法,并进行优化来检测生乳中腐胺含量。使用SCIEX Qtrap 6500+液相质谱联用仪进行生乳中腐胺的测定,色谱柱为AtlantisTM Premier BEH Z-HILIC。
具体优化前处理步骤为:移取1 mL样品于15 mL离心管中,添加3 mL 2%甲酸/乙腈,涡旋振荡1 min,4 ℃下13 000×g离心10 min,全部转移上清液于离心管中,氮气吹至近干。添加2 mL 0.5%甲酸水/乙腈(v/v,3∶7)溶液复溶(稀释2倍),超声1 min,经有机微孔滤膜过滤,取过滤液于上机小瓶并添加10 μL DIA(内标)定溶至1 mL,上机测定。最主要的优化部分是在前处理步骤中添加了内标,简化了前处理步骤,省略了除脂(使用正己烷去除乳脂肪)步骤,减少了有机试剂使用,缩短了前处理时间。并且通过添加内标可以有效降低基质效应,在方法学验证中回收率更加稳定。
色谱条件:流动相A为0.1%甲酸-50 mmol/L甲酸铵;流动相B为0.5%甲酸-乙腈;流速为0.350 mL/min;进样量为5 μL;柱温为45 ℃。
质谱条件:电喷雾正离子(ESI+)模式扫描;电喷雾电压为3 000 V;离子源温度为400 ℃;雾化气气压(GS1)为50 psi;辅助气气压(GS2)为55 psi;气帘气压力(CUR)为30 psi。
选择多反应监测模式(MRM)对腐胺进行定量分析。流动相梯度洗脱程序见表1,腐胺质谱采集参数见表2。
表1 流动相梯度洗脱程序

Table 1 Gradient elution procedure of mobile phases

时间
Time/min		 流速
Flow velocity/(mL/min)		 流动相A
Mobile phase A/%		 流动相B
Mobile phase B/%		 曲线
Curve
0 0.350 30.0 70.0 0
1.0 0.350 30.0 70.0 0
2.5 0.350 60.0 40.0 0
6.5 0.350 60.0 40.0 0
7.0 0.350 30.0 70.0 0
8.0 0.350 30.0 70.0 0
表2 腐胺质谱采集参数

Table 2 Mass spectrum acquisition parameters of PUT

化合物
Compounds		 保留时间
Retention
time/min		 母离子质荷比
m/z of
precursor ion		 子离子质荷比
m/z of
product ion		 去簇电压
DP/V		 碰撞能量
CE/V

腐胺PUT		 3.83 89.1 72.1* 30 14
30.0 30 22

1,7-二氨基庚烷(内标)
DIA (IS)		 3.11 131.1 114.0* 15 14
66.0 15 10

*:定量离子 quantitative ion。

1.5 中红外光谱测定

将生乳样品置于45 ℃水浴锅中,加热10 min,然后摇晃均匀,通过FT 120乳成分分析仪扫描光谱,获得中红外光谱的波数范围为930~5 000 cm-1。

1.6 光谱建模

生乳样品在光谱扫描过程中会产生许多背景噪音和无效信息,为实现数据处理的正确性需要对原始光谱数据进行预处理。将采集得到的中红外光谱数据通过化学计量软件Unscrambler X10.4进行降噪和预处理。本试验采用的预处理方法主要包括标准正态变量变换(standard normal variate transformation,SNV)、Savitsky-Golay(SG)平滑、一阶导数和二阶导数。中红外光谱数据经过降噪后,采用A/(SDev+B)法进行数据归一化处理,利用偏最小二乘回归(partial least squares regression,PLSR)法构建预测模型。将所测数据随机分为20组,每组6或7个数据,然后采用随机交叉验证法进行模型验证。将样品预测值与真实值进行比较,计算决定系数(R2)和均方根误差(root mean square error,RMSE)评估预测模型的效果[19],R2越接近于1,RMSE越小,表示预测模型效果越好[20]。
R2=1- ∑ i = 1 n ( y i , 真 实 - y ^ i , 预 测 ) 2 ∑ i = 1 n ( y i , 真 实 - y - 真 实 ) 2;
RMSE= ∑ i = 1 n ( y i , 真 实 - y ^ i , 预 测 ) 2 n - 1。
式中:yi,真实 为生乳i的真实值; y ^ i , 预 测为生乳i的预测值; y - 真 实 为生乳样品真实值的平均值;n为生乳样品的数量。

1.7 统计分析

通过Excel 2016进行数据的初步汇总和统计,采用SPSS 26.0统计分析软件对所得试验数据进行独立样本t检验,使用Origin 2024完成线性回归分析和相关图形绘制。

2 结果与分析

2.1 生乳腐胺含量测定结果

按照1.4中方法完成生乳样品中腐胺含量的测定,得到生乳样品中腐胺含量范围为0.92~1 972.88 ng/mL,平均值为112.94 ng/mL,标准偏差为228.06 ng/mL,生乳腐胺含量检测结果与赵瑞[5]的研究结果相近。因生乳中腐胺含量数据呈偏态分布(图1-A),无法进行下一步统计分析,故将数据进行对数(lg)转换[21]。lg转换后腐胺含量范围为-0.03~3.30 lg(ng/mL),平均值为1.37,标准偏差为0.85,数据趋于正态分布(图1-B),可作为有效数据进行下一步中红外光谱预测模型的建立。
图1 生乳样品腐胺分布图

A:腐胺 PUT;B:对PUT进行对数转换 perform lg conversion on PUT。

Fig.1 Distribution of PUT in raw milk samples

2.2 生乳中红外光谱特征

生乳样品的原始光谱如图2所示,大致可以分为5个区域,波数范围为930~5 000 cm-1,这与褚楚等[22]对牛奶扫描的中红外光谱波数范围相同。A区域波数在930~1 582 cm-1,是中波红外区-长波红外区,此区域蕴含信息丰富,被称为“指纹区”,是预测乳中成分的主要区域,常与C-H、C=C、C-O和N-O等化学键相关[23];B区域波数在1 582~1 698 cm-1,是中波红外区域-2;C区域波数在1 698~3 048 cm-1,是中波红外区域-1,此区域同样包含丰富的信息,通常与C-H、C=O、C-N和N-H化学键有关,能够预测乳脂含量[24];D区域波数在3 048~3 669 cm-1,是短波红外区-中波红外区;E区域波数在3 669~5 000 cm-1,是短波红外区,所含信息少,通常认为与乳中成分化学键无关[25-26]。B区域和D区域光谱峰杂乱无章,表明这是水吸收峰产生,普遍认为这部分光谱变异程度大不能单独预测样品成分[27]。中红外全波段光谱具有数据丰富、覆盖范围广、适应性广泛的特点;冯水娟[28]和吴迪等[29]通过中红外全波段光谱建立了奶粉中蛋白质的预测模型,并且模型预测效果良好,腐胺是蛋白质的降解产物,因此本试验同样选择通过中红外全波段光谱建立预测模型。徐琛善等[30]通过中红外光谱建立了牛奶中土霉素的预测模型,并比较了全波段和部分波段的模型的判别效果,结果显示,全波段预测模型判别效果高于400~2 000 cm-1波段,与2 000~4 000 cm-1波段判别效果相同。因此,本试验选择采用中红外全波段光谱进行建模,在保证预测模型效果的同时也简化了建立预测模型的步骤。
图2 生乳样品原始中红外光谱图

Fig.2 Original mid-infrared spectrogram of raw milk samples

2.3 中红外光谱预测模型建立

由于生乳样品原始光谱信息中存在大量背景噪音,因此需要采用不同的光谱预处理方法来去除这些干扰信号,本试验选择了SNV、SG平滑和导数法这3种不同的预处理方法,按照自由组合的方式进行光谱数据处理,通过PLSR和不同的光谱预处理方法分别建立了生乳中腐胺的中红外预测模型。由表3可知,未处理的原始光谱建立的预测模型的测试集R2为0.896 0,RMSE为0.271 6,验证集R2为0.659 2,RMSE为0.497 5,原始光谱经预处理后,部分中红外光谱预测模型的效果明显改善。经过比较不同的光谱预处理方法的建模结果,最后确定采用SG平滑+二阶导数预处理结合PLSR建立生乳中腐胺中红外预测模型,见图3。原始光谱经SG平滑+二阶导数预处理后建立的预测模型测试集R2上升为0.995 9,RMSE下降为0.054 2,验证集R2上升为0.811 2,RMSE下降为0.368 4。
表3 不同中红外光谱预处理方法建立PLSR模型的预测结果

Table 3 Prediction results of PLSR models established using different mid-infrared spectral preprocessing methods

预处理方法
Preprocessing methods		 指标Indicators
测试集Test set 验证集Validation set
决定系数
R2		 均方根误差
RMSE		 决定系数
R2		 均方根误差
RMSE
未处理(原始光谱)
Untreated (original spectrum)		 0.896 0 0.271 6 0.659 2 0.497 5
SG平滑SG smoothing 0.872 6 0.307 0 0.545 5 0.590 4
标准正态变量变换SNV 0.975 7 0.134 4 0.787 4 0.39 90
一阶导数First-order derivative 0.902 2 0.258 3 0.737 7 0.426 8
二阶导数Second-order derivative 0.817 3 0.352 8 0.613 9 0.514 8
SG平滑+一阶导数
SG smoothing+first-order derivative		 0.800 9 0.375 0 0.621 0 0.521 3
SG平滑+二阶导数
SG smoothing+second-order derivative		 0.995 9 0.054 2 0.811 2 0.368 4
图3 生乳中腐胺(lg)的预测模型

Slope:斜率;Offset:偏移;RMSE:均方根误差 root-mean-square error;R-Square:决定系数 determination coefficient。

Fig.3 Prediction model for PUT (lg) in raw milk

2.4 模型验证

使用中红外光谱预测模型对生乳中的腐胺实测值(lg)进行了预测,将实测值作为X轴,预测值作为Y轴,通过Oringin软件进行了线性相关分析,结果见图4。线性分析结果表明腐胺实测值(lg)与腐胺预测值(lg)线性拟合良好,R2为0.995 9,皮尔逊相关系数为0.998 0。为了更加真实、客观地评价模型的好坏,本试验评价了未经过lg转化的生乳腐胺真实值与预测值之间的差异。对生乳腐胺的预测值进行反lg求值,并进行了相关线性拟合和显著性分析,结果见图5和图6。由图5可知,生乳腐胺相关性线性拟合良好,R2为0.980 8,皮尔逊相关系数为0.990 4,属于强相关,但是相较于lg转化后的拟合结果较差,这可能是由于腐胺数值被放大,相应的差异也被放大。由图6可知,由建立的中红外光谱预测模型得到的生物胺预测值与真实值之间没有显著差异(P>0.05)。综上所述,本试验建立的生乳中腐胺的中红外预测模型展现出了优异的预测能力,可满足对相关生乳样品中腐胺的快速检测需求。
图4 生乳中腐胺实测值(lg)与预测值(lg)的线性关系

Fig.4 Linear relationship between measured value (lg) and predicted value (lg) of PUT in raw milk

图5 生乳中腐胺实测值与预测值的线性关系

Fig.5 Linear relationship between measured value and predicted values of PUT in raw milk

图6 生乳中腐胺实测值和预测值的显著性分析

误差线是平均值的标准误差;NS表示无显著差异(P>0.05)。

Fig.6 Significance analysis of measured value and predicted value of PUT in raw milk

The error line is the standard error of the mean; NS indicates no significant difference (P>0.05).

3 讨论

生乳中的内源游离氨基酸及蛋白质分解产生的游离氨基酸在微生物及内源酶的作用下降解为腐胺和其他生物胺[31],生物胺是生乳贮存过程中的产物,与生乳新鲜度息息相关,尤其是腐胺含量变化可以直接表征生乳新鲜度[1,5]。目前测定生乳中腐胺的方法主要为液相色谱法,Liang等[32]、Moniente等[33]通过衍生化+液相色谱的方法测定了生乳中的腐胺,虽然该方法具有良好的稳定性,但是灵敏度尚有待提高,难以检测出生乳中的生物胺含量;赵瑞[5]采用液相色谱-质谱法测定了生乳中的腐胺,最低检出限在6 ng/mL,虽然该方法具有良好的灵敏度和准确性,但是具有操作复杂、仪器昂贵难以普遍推广的弊端。
中红外光谱是一种经济高效的检测工具,具有简单快捷、无污染、无破坏、无前处理等优势,并且还具有较高的灵敏度。Meza-Márquez等[34]基于中红外光谱建立了大鼠肉中克伦特罗的预测模型,该预测模型的检测范围在5~10 000 μg/kg;Meza-Márquez等[35]同样基于中红外光谱建立了牛肉中瘦肉精的检测方法,该检测方法检出限为2 μg/kg。前人的研究结果证明了中红外光谱具有高灵敏度,为本试验基于中红外光谱建立生乳中腐胺的检测方法提供了理论依据。本试验通过SNV、SG平滑、一阶导数、二阶导数等方法对原始光谱进行降噪处理,然后通过PLSR建立腐胺的预测模型,测试集R2为0.995 9,RMSE为0.054 2,具有良好的准确性。李锐等[36]通过SNV和导数方法预处理近红外光谱,基于近红外光谱建立了小龙虾中生物胺总量的预测模型;云颖等[37]同样通过SG平滑、SNV和导数的方法对原始光谱进行预处理,基于近红外光谱建立了羊肉中腐胺、苯乙胺、组胺和精胺的预测模型。本试验的光谱预处理方法和模型建立方法与上述研究基本相同。腐胺是一种与微生物关系极为密切的物质,其含量随生乳贮藏时间的延长呈近似于指数增长,数据呈偏态分布,因此在预测模型建立时参考了孙文珂等[21]对菌落总数的光谱预测模型的建立方法,先将腐胺数据转为正态分布然后再进行预测模型的建立,因此建立的预测模型效果良好。
建立中红外光谱模型需要充分而全面的样品数据支撑。本次试验仅依赖128个生乳样品建立了腐胺预测模型,尽管在验证阶段实测值与预测值之间没有显著差异,表现出一定的准确性,但由于样品数据的有限性,模型的稳定性可能存在波动性变化。因此,为了进一步优化模型的可靠性和适用性,在后续研究中需要更广泛的样本数据支持。

4 结论

本试验通过SG平滑+二阶导数的预处理方法对生乳样品的中红外光谱剔除背景噪音,并结合PLSR成功建立了生乳中腐胺的中红外光谱预测模型。该模型测试集R2为0.995 9,RMSE为0.054 2,验证集R2为0.811 2,RMSE为0.368 4,具有良好的准确性和稳定性,在模型验证中腐胺实测值与预测值线性拟合良好,R2为0.980 8,皮尔逊相关系数为0.990 4,且实测值与预测值之间没有显著差异,表明该预测模型能够满足生乳中腐胺的检测要求。本试验建立的中红外光谱预测模型实现了生乳中腐胺的快速、低成本检测,对生乳新鲜度评价具有借鉴意义,且具有实际应用价值。

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
GAMA M R, ROCHA F R P. Solventless separation of underivatized biogenic amines by sequential injection chromatography[J]. Microchemical Journal, 2020,156:104839.

[2]
CAMPIONE E, COSIO T, ROSA L, et al. Lactoferrin as protective natural barrier of respiratory and intestinal mucosa against coronavirus infection and inflammation[J]. International Journal of Molecular Sciences, 2020, 21(14):4903.

[3]
GUIZANI N, AL-BUSAIDY M A, AL-BELUSHI I M, et al. The effect of storage temperature on histamine production and the freshness of yellowfin tuna (Thunnus albacares)[J]. Food Research International, 2005, 38(2):215-222.

[4]
扶晓菲, 游春苹. 牛乳新鲜度评价及其检测方法的研究进展[J]. 食品安全质量检测学报, 2021, 12(11):4319-4325.

FU X F, YOU C P. Research progress on evaluation and detection methods of milk freshness[J]. Journal of Food Safety & Quality, 2021, 12(11):4319-4325. (in Chinese)

[5]
赵瑞. 基于游离氨基酸和生物胺的牛乳腐败标示物的筛查[D]. 硕士学位论文. 天津: 天津农学院, 2020.

ZHAO R. Screening of milk spoilage markers based on free amino acids and biogenic amines[D]. Master’s Thesis.Tianjin:Tianjin Agricultural University, 2020. (in Chinese)

[6]
刘兴海, 李月童, 邱诗波, 等. 蛋白类食品新鲜度的检测方法[J]. 湖南包装, 2021, 36(2):5-8,12.

LIU X H, LI Y T, QIU S B, et al. Detection method of protein food freshness[J]. Hunan Packaging, 2021, 36(2):5-8,12. (in Chinese)

[7]
杨春婷. 基于生物胺的冷鲜猪肉新鲜度评价方法及腐胺传感器研究[D]. 硕士学位论文. 广州: 仲恺农业工程学院, 2018.

YANG C T. Evaluation method of fresh pork freshness based on biogenic amine and research on putrescine sensor[D]. Master’s Thesis. Guangzhou: Zhongkai University of Agriculture and Engineering, 2018. (in Chinese)

[8]
VINCI G, ANTONELLI M L. Biogenic amines:quality index of freshness in red and white meat[J]. Food Control, 2002, 13(8):519-524.

[9]
MENG G P, ZHANG C Z, DU P Y, et al. A dual-channel luminescent signal readout nanoprobe for rapid monitoring of biogenic amines in milk and yogurt[J]. Sensors and Actuators B:Chemical, 2022,357:131435.

[10]
SHALABY A R. Significance of biogenic amines to food safety and human health[J]. Food Research International, 1996, 29(7):675-690.

[11]
MONIENTE M, BOTELLO-MORTE L, GARCÍA-GONZALO D, et al. Analytical strategies for the determination of biogenic amines in dairy products[J]. Comprehensive Reviews in Food Science and Food Safety, 2022, 21(4):3612-3646.

DOI PMID

[12]
SLEMR J, BEYERMANN K. Concentration profiles of diamines in fresh and aerobically stored pork and beef[J]. Journal of Agricultural and Food Chemistry, 1985, 33(3):336-339.

[13]
HERNÁNDEZ-JOVER T, IZQUIERDO-PULIDO M, VECIANA-NOGUÉS M T, et al. Biogenic amine sources in cooked cured shoulder pork[J]. Journal of Agricultural and Food Chemistry, 1996, 44(10):3097-3101.

[14]
FRANCO D, BISPO E, GONZÁLEZ L, et al. Effect of finishing and ageing time on quality attributes of loin from the meat of Holstein-Fresian cull cows[J]. Meat Science, 2009, 83(3):484-491.

DOI PMID

[15]
BALAMATSIA C C, PALEOLOGOS E K, KONTOMINAS M G, et al. Correlation between microbial flora, sensory changes and biogenic amines formation in fresh chicken meat stored aerobically or under modified atmosphere packaging at 4 degrees C:possible role of biogenic amines as spoilage indicators[J]. Antonie Van Leeuwenhoek, 2006, 89(1):9-17.

[16]
FRAQUEZA M J, ALFAIA C M, BARRETO A S. Biogenic amine formation in Turkey meat under modified atmosphere packaging with extended shelf life:index of freshness[J]. Poultry Science, 2012, 91(6):1465-1472.

[17]
FRANZOI M, NIERO G, MEONI G, et al. Effectiveness of mid-infrared spectroscopy for the prediction of cow milk metabolites[J]. Journal of Dairy Science, 2023, 106(8):5288-5297.

DOI PMID

[18]
SPINA A A, CENITI C, PIRAS C, et al. Mid-infrared (MIR) spectroscopy for the detection of cow’s milk in Buffalo milk[J]. Journal of Animal Science and Technology, 2022, 64(3):531-538.

[19]
田桂艳, 李慧, 白晓玲, 等. 中红外光谱技术检测灭菌乳乳果糖的研究[J]. 中国乳业, 2022(3):81-84.

TIAN G Y, LI H, BAI X L, et al. Study on detection of lactulose in sterilized milk by mid-infrared spectroscopy[J]. China Dairy, 2022(3):81-84. (in Chinese)

[20]
SHADPOUR S, CHUD T C S, HAILEMARIAM D, et al. Predicting dry matter intake in Canadian Holstein dairy cattle using milk mid-infrared reflectance spectroscopy and other commonly available predictors via artificial neural networks[J]. Journal of Dairy Science, 2022, 105(10):8257-8271.

DOI PMID

[21]
孙文珂, 沈照鹏, 权浩严, 等. 基于近红外光谱的条斑紫菜菌落总数快速检测技术[J]. 食品工业科技, 2022, 43(16):322-328.

SUN W K, SHEN Z P, QUAN H Y, et al. Rapid detection of total bacterial count of Porphyra yezoensis based on near infrared spectroscopy[J]. Science and Technology of Food Industry, 2022, 43(16):322-328. (in Chinese)

[22]
褚楚, 张静静, 丁磊, 等. 基于中红外光谱的牛奶中三种氨基酸含量预测模型的建立及应用[J]. 畜牧兽医学报, 2023, 54(8):3299-3312.

DOI

CHU C, ZHANG J J, DING L, et al. Establishment and application of prediction model of three amino acids in milk based on mid-infrared spectroscopy[J]. Acta Veterinaria et Zootechnica Sinica, 2023, 54(8):3299-3312. (in Chinese)

DOI

[23]
TOLEDO-ALVARADO H, PÉREZ-CABAL M A, TEMPELMAN R J, et al. Association between days open and milk spectral data in dairy cows[J]. Journal of Dairy Science, 2021, 104(3):3665-3675.

[24]
KAYLEGIAN K E, HOUGHTON G E, LYNCH J M, et al. Calibration of infrared milk analyzers:modified milk versus producer milk[J]. Journal of Dairy Science, 2006, 89(8):2817-2832.

[25]
BITTANTE G, CECCHINATO A. Genetic analysis of the Fourier-transform infrared spectra of bovine milk with emphasis on individual wavelengths related to specific chemical bonds[J]. Journal of Dairy Science, 2013, 96(9):5991-6006.

DOI PMID

[26]
SOYEURT H, DEHARENG F, GENGLER N, et al. Mid-infrared prediction of bovine milk fatty acids across multiple breeds,production systems,and countries[J]. Journal of Dairy Science, 2011, 94(4):1657-1667.

[27]
WANG Q Y, BOVENHUIS H. Validation strategy can result in an overoptimistic view of the ability of milk infrared spectra to predict methane emission of dairy cattle[J]. Journal of Dairy Science, 2019, 102(7):6288-6295.

DOI PMID

[28]
冯水娟. 基于光谱技术的奶粉及酸奶品质快速检测研究[D]. 硕士学位论文. 杭州: 浙江大学, 2008.

FENG S J. Study on fast inspect and analysis of main components of milk and yogurt based on spectroscopy technolgy[D]. Master’s Thesis. Hangzhou: Zhejiang University, 2008. (in Chinese)

[29]
吴迪, 曹芳, 冯水娟, 等. 基于支持向量机算法的红外光谱技术在奶粉蛋白质含量快速检测中的应用[J]. 光谱学与光谱分析, 2008, 28(5):1071-1075.

WU D, CAO F, FENG S J, et al. Application of infrared spectroscopy technique to protein content fast measurement in milk powder based on support vector machines[J]. Spectroscopy and Spectral Analysis, 2008, 28(5):1071-1075. (in Chinese)

[30]
徐琛善, 吴楠, 海霞, 等. 中红外光谱快速检测牛奶中土霉素的可行性研究[J]. 天津农学院学报, 2018, 25(3):70-73.

DOI

XU C S, WU N, HAI X, et al. Feasibility of rapid detection of oxytetracycline in milk by mid-infrared spectroscopy[J]. Journal of Tianjin Agricultural College, 2018, 25(3):70-73. (in Chinese)

[31]
PAWUL-GRUBA M, KILJANEK T, OSEK J. A high-performance liquid chromatography with dSPE clean-up method for determination of biogenic amines in ripened meat products[J]. Journal of Food Composition and Analysis, 2023,123:105571.

[32]
LIANG Z Q, CHU H, GAO L, et al. Effects of probiotics on biogenic amines content in fermented milk during fermentation and storage[J]. Journal of Food Composition and Analysis, 2024,127:105985.

[33]
MONIENTE M, BOTELLO-MORTE L, GARCÍA-GONZALO D, et al. Combination of SPE and fluorescent detection of AQC-derivatives for the determination at sub-mg/L levels of biogenic amines in dairy products[J]. Food Research International, 2023,165:112448.

[34]
MEZA-MÁRQUEZ O G, GALLARDO-VELÁZQUEZ T, DORANTES-ÁLVAREZ L, et al. FT-MIR and raman spectroscopy coupled to multivariate analysis for the detection of clenbuterol in murine model[J]. Analyst, 2011, 136(16):3355-3365.

[35]
MEZA-MÁRQUEZ O G, GALLARDO-VELÁZQUEZ T, OSORIO-REVILLA G, et al. Detection of clenbuterol in beef meat,liver and kidney by mid-infrared spectroscopy (FT-Mid IR) and multivariate analysis[J]. International Journal of Food Science and Technology, 2012, 47(11):2342-2351.

[36]
李锐, 夏珍珍, 王超, 等. 基于近红外光谱技术快速检测小龙虾中的生物胺[J]. 食品安全质量检测学报, 2022, 13(8):2419-2425.

LI R, XIA Z Z, WANG C, et al. Rapid determination of biogenetic amine in Prokaryophyllus clarkii based on the near infrared spectroscopy[J]. Journal of Food Safety & Quality, 2022, 13(8):2419-2425. (in Chinese)

[37]
云颖, 云岩春, 王文曦, 等. 基于近红外光谱成像技术检测羊肉生物胺含量的数据库的建立方法和应用:CN202111654982.2[P].2021-12-31.

YUN Y, YUN Y C, WANG W X, et al. Methodology and application for the establishment of a database based on near infrared spectroscopic imaging for the detection of biogenic amines in lamb meat:CN202111654982.2[P].2021-12-31. (in Chinese)

Options
Outlines

/

〈 〉

京ICP备17050989号-2
Copyright © Chinese Journal of Animal Nutrition, All Rights Reserved.
Tel: 010－62817823　E-mail: cjan@vip.163.com
Powered by Beijing Magtech Co., Ltd.