安徽工程大学生物与食品工程学院, 安徽 芜湖 241000
稻米储藏陈化导致食用品质下降, 蛋白质变化是重要诱因。 谷蛋白是稻米中主要蛋白, 采用拉曼和红外光谱表征陈化中谷蛋白的变化, 并对其功能性质差异进行比较, 利于阐明稻米的陈化机理。 拉曼光谱表明, 陈米谷蛋白1 665和1 218 cm-1处的拉曼归一化强度分别为1.01和0.25, 明显低于新米谷蛋白, 表明陈化后谷蛋白的α-螺旋减少; 陈米谷蛋白中二硫键(516和527 cm-1处峰强度分别为0.45和0.42)、 亚砜(1 035 cm-1处峰强度为0.48)和砜(1 124, 1 152, 1 159, 1 316和1 334 cm-1处峰强度分别为0.47, 0.22, 0.26, 0.50和0.63)的强度明显高于新米谷蛋白, 表明含硫氨基酸残基发生明显氧化; 陈米谷蛋白的酪氨酸Fermi共振857/830 cm-1的强度比值1.68明显高于新米谷蛋白, 酪氨酸残基更加暴露; 陈米谷蛋白751 cm-1附近色氨酸的拉曼强度为0.20, 比新米谷蛋白的强度0.14显著提高, 陈化后谷蛋白色氨酸残基更加埋藏; 陈米谷蛋白3 423 cm-1处的O—H伸缩强度为0.05, 比新米谷蛋白对应强度0.02显著增大, 表明分子间结合程度升高, 谷蛋白与淀粉分子结合更加紧密。 除了酪氨酸的Fermi共振、 1 333和1 152 cm-1处砜的吸收峰不高外, 陈化谷蛋白的其余拉曼强度均高于陈米谷蛋白, 说明陈化谷蛋白的氧化程度更高。 红外光谱表明, 陈米谷蛋白和陈化谷蛋白中1 153, 1 078和1 026 cm-1处的硫氧化物吸收峰增大, 进一步支持谷蛋白发生了氧化。 与新米谷蛋白相比, 陈米谷蛋白的溶解性、 持水性、 乳化性和乳化稳定性均显著降低, 而持油性升高, 支持陈米中谷蛋白发生了明显氧化。 陈化谷蛋白的溶解性(除pH 9)、 持水性和乳化性比陈米谷蛋白更低, 持油性更高, 表明新米谷蛋白被提取出来后单独陈化时氧化程度更深。 陈化后谷蛋白功能性质的变化支持红外和拉曼光谱显示的氧化变化, 这为阐明蛋白质在陈米品质劣变中的作用提供了光谱依据, 为控制稻米陈化劣变以减少产后损失奠定基础。
稻米 陈化劣变 谷蛋白 红外 拉曼 功能性质 Rice Aging deterioration Glutelin Infrared Raman Functional properties 光谱学与光谱分析
2021, 41(11): 3431
1 滁州学院生物与食品工程学院, 安徽 滁州 239000
2 安徽工程大学生物与化学工程学院, 安徽 芜湖 241000
菜籽油在加工及贮藏过程中, 易受氧气、 温度、 光照等因素的影响, 产生氧化酸败现象。 为准确判断油脂氧化程度, 实现不同氧化模式下菜籽油品质的快速判别, 采用三维同步荧光光谱技术结合平行因子分析法及BP神经网络法建立菜籽油氧化状态的智能评价模型。 以冷榨菜籽油为原料, 将样品分别置于常温、 Schaal烘箱、 高温模式中氧化处理, 期间采集菜籽油的三维同步荧光光谱数据及理化指标, 当理化指标超出国标限定范围时, 停止采集数据。 结果表明, 菜籽油中荧光物质在不同氧化模式中的演变规律呈显著差异, 氧化温度对菜籽油荧光光谱有明显影响。 常温氧化350 d与第1 d相比, 菜籽油的特征荧光峰位置无变化, 仅在激发波长Ex为620和660 nm附近荧光峰强度发生微弱变化; Schaal烘箱氧化26 d后, 在激发波长Ex为620和660 nm附近荧光峰强度显著减弱, 且在激发波长Ex为350～450 nm之间有新的荧光峰生成; 高温氧化48 h后, Ex为620和660 nm处荧光峰消失, 在Ex为400～550 nm处产生显著荧光峰, 相对Schaal烘箱氧化, 荧光波长发生一定程度红移, 这是由于高温氧化过程中油脂氧化生成的物质稳定性较差引起的。 利用平行因子分析法对三维同步荧光光谱数据进行分解获取有效的二维荧光光谱数据, 当组分数为6, Δλ=60 nm时激发波长的载荷值最大, 不同样品间差异最显著。 选定Δλ=60 nm波段的二维荧光光谱数据用于智能评价, 作为BP神经网络模型的输入值, 以极性组分作为模型输出值, 分别对菜籽油三种氧化模式数据建模训练。 实验结果表明, 三种氧化模式对应的训练集、 验证集、 测试集模型相关系数r均能达到0.9以上, 其中常温氧化模式中验证集及测试集模型的相关系数r为1, 输出值与目标值较接近, 模型的预测效果较好; 综合三种氧化模式数据建模, 对应训练集、 验证集、 测试集模型的相关系数分别为0.999, 0.913和0.988, 均方误差均较小, 说明该模型能准确判断菜籽油的不同氧化状态。 因此, 三维同步荧光光谱技术结合平行因子分析法、 BP神经网络法建立快速检测模型能实现菜籽油不同氧化状态的判别, 为菜籽油的氧化程度的评价提供新方法, 同时为其他食用油的品质评价提供参考。
菜籽油 三维荧光光谱 平行因子 BP神经网络 智能评价 Rapeseed oil Three-dimensional fluorescence spectrum Parallel factor analysis Error-back-propagation artifical neural network Intelligent evaluation
1 安徽工程大学生物与化学工程学院, 安徽 芜湖 241000
2 滁州学院生物与食品工程学院, 安徽 滁州 239000
利用三维同步荧光光谱法获取不同氧化状态下的葵花籽油荧光光谱数据, 同时采集葵花籽油品质指标。 运用平行因子法对三维同步荧光光谱矩阵进行降维处理, 通过iPLS(interval partial least squares), BiPLS(backward interval partial least squares)和SiPLS(synergy interval partial least squares)模式识别方法进行数学建模。 结果表明: 波长差Δλ=50 nm时, 样品同步荧光光谱具有显著差异, 筛选用于数学建模初始数值。 不同模式识别方法建模结果显示, iPLS, BiPLS和SiPLS法所得校正集模型和预测集模型的相关系数分别为0.908 3, 0.961 2, 0.954 5和0.872 3, 0.925 2, 0.852 5, 交互验证均方根误差分别为0.050 3, 0.033 1, 0.035 9和0.073 3, 0.054 1, 0.065 5, 比较发现采用BiPLS法建模效果最好。 该研究将为葵花籽油品质快速辨别提供理论基础和技术支持, 为其他食用油脂的快速检测提供方法指导。
三维同步荧光光谱 平行因子法 偏最小二乘法 葵花籽油 品质辨别 Three-dimensional synchronous fluorescence spectro Parallel factor analysis Partical least squares Sunflower seed oil Quality discrimination 光谱学与光谱分析
2018, 38(4): 1165
