为实现南极磷虾(Euphausia superba)品质的快速评定,本研究将近红外光谱技术(Near infrared spectroscopy,NIRS)与偏最小二乘法(Partial least squares,PLS)相结合,构建用于快速预测磷虾体内非蛋白氮(Non-protein nitrogen,NPN)含量和...为实现南极磷虾(Euphausia superba)品质的快速评定,本研究将近红外光谱技术(Near infrared spectroscopy,NIRS)与偏最小二乘法(Partial least squares,PLS)相结合,构建用于快速预测磷虾体内非蛋白氮(Non-protein nitrogen,NPN)含量和挥发性盐基氮(Total volatile base nitrogen,TVB-N)含量的近红外定量分析模型。采集近红外光谱后,通过比较决定系数(Coefficient of determination,R^(2))、校正标准偏差(Root mean square error of calibration,RMSEC)、预测标准偏差(Root mean square error of prediction,RMSEP)等模型的评价参数,选取近红外光谱定量分析模型的最佳预处理方式、特征光谱范围以及主因子数。结果显示,NPN含量模型的最佳预处理方法为多元散射校正(Multiplicative signal correction,MSC),其特征光谱范围为8887.1~7774.2 cm-1;TVB-N含量模型则采用MSC与卷积平滑(Savitzky-Golay smoothing,SG)相结合的方式进行预处理,建模范围为全波段。两个定量模型的主因子数均为5。经模型的优化与外部验证,最终构建的PLS最优模型如下:NPN含量近红外定量分析模型的R^(2)为0.9384,RMSEC为0.279,RMSEP为0.443;TVB-N含量近红外定量分析模型的R^(2)为0.8685,RMSEC为3.800,RMSEP为4.070。研究结果表明,两个模型均具有良好的预测精度(R^(2)>0.85)和稳定性,其中NPN定量分析模型的预测能力优于TVB-N定量分析模型。综上,本研究基于NIRS与PLS构建的定量分析模型能够有效预测南极磷虾体内的NPN和TVB-N含量,为南极磷虾的品质评价提供了可靠的技术支持,满足快速评定的实际应用需求。展开更多
本研究旨在探究不同金属离子(NaCl、KCl、CaCl_(2)、AlCl_(3)和FeCl_(3))对乳清分离蛋白(whey protein isolate,WPI)纤维聚合物聚合动力学、形态和结构的影响。结果表明,不同金属离子影响了WPI纤维聚合物的最终结构和特征。NaCl、KCl和C...本研究旨在探究不同金属离子(NaCl、KCl、CaCl_(2)、AlCl_(3)和FeCl_(3))对乳清分离蛋白(whey protein isolate,WPI)纤维聚合物聚合动力学、形态和结构的影响。结果表明,不同金属离子影响了WPI纤维聚合物的最终结构和特征。NaCl、KCl和CaCl_(2)对WPI的聚集影响较小,增加了溶液pH和电导率,而AlCl_(3)和FeCl_(3)加速了WPI的聚集,降低了溶液pH,增加了溶液电导率;与原始WPI纤维聚合物硫黄素T(Th T)荧光强度(388.92)相比,NaCl、KCl和CaCl_(2)增加Th T荧光强度分别至465.39、433.37和486.83,增加了WPI纤维聚合物的生成量,AlCl_(3)和FeCl_(3)降低Th T荧光强度分别至228.81和90.24,降低了WPI纤维聚合物的生成量;不同金属离子均改变了WPI聚合动力学,降低了(df/dt)_(max)值,并改变了滞后时间;NaCl、KCl和CaCl_(2)对WPI纤维聚合物的形态影响较小,AlCl_(3)和FeCl_(3)使WPI纤维聚合物更团簇、粗而杂乱;傅里叶红外光谱结果表明,NaCl、KCl和CaCl_(2)促进β-折叠结构生成,而AlCl_(3)和FeCl_(3)抑制了β-折叠生成,不同金属离子的加入均改变了纤维中β-链间的特征距离。这些结果为利用WPI制备不同聚集形态的纤维聚合物提供了科学依据。展开更多
文摘为实现南极磷虾(Euphausia superba)品质的快速评定,本研究将近红外光谱技术(Near infrared spectroscopy,NIRS)与偏最小二乘法(Partial least squares,PLS)相结合,构建用于快速预测磷虾体内非蛋白氮(Non-protein nitrogen,NPN)含量和挥发性盐基氮(Total volatile base nitrogen,TVB-N)含量的近红外定量分析模型。采集近红外光谱后,通过比较决定系数(Coefficient of determination,R^(2))、校正标准偏差(Root mean square error of calibration,RMSEC)、预测标准偏差(Root mean square error of prediction,RMSEP)等模型的评价参数,选取近红外光谱定量分析模型的最佳预处理方式、特征光谱范围以及主因子数。结果显示,NPN含量模型的最佳预处理方法为多元散射校正(Multiplicative signal correction,MSC),其特征光谱范围为8887.1~7774.2 cm-1;TVB-N含量模型则采用MSC与卷积平滑(Savitzky-Golay smoothing,SG)相结合的方式进行预处理,建模范围为全波段。两个定量模型的主因子数均为5。经模型的优化与外部验证,最终构建的PLS最优模型如下:NPN含量近红外定量分析模型的R^(2)为0.9384,RMSEC为0.279,RMSEP为0.443;TVB-N含量近红外定量分析模型的R^(2)为0.8685,RMSEC为3.800,RMSEP为4.070。研究结果表明,两个模型均具有良好的预测精度(R^(2)>0.85)和稳定性,其中NPN定量分析模型的预测能力优于TVB-N定量分析模型。综上,本研究基于NIRS与PLS构建的定量分析模型能够有效预测南极磷虾体内的NPN和TVB-N含量,为南极磷虾的品质评价提供了可靠的技术支持,满足快速评定的实际应用需求。
