一种构建不同种皮颜色花生可溶性糖含量近红外模型的方法

1.本发明涉及农产品成分检测技术领域，特别是涉及一种构建不同种皮颜色花生可溶性糖含量近红外模型的方法。


背景技术：

2.花生是我国重要的经济作物，年均总产量已达1500万吨，约占世界总产的40％，其中用来榨油的约占年产量的60％，约30％的花生籽仁加工成喜闻乐见的小食品或直接被人们食用。花生籽仁中的糖含量是影响食味品质的重要指标，直接影响消费者的口感和花生的经济价值。
3.花生中的甜度、香味、脆度、柔嫩度、细腻度和异味等几个方面均是影响花生口感的重要指标，总糖中的纤维素类影响细腻度，葡萄糖、果糖和蔗糖等可溶性糖影响花生的甜度。蔗糖是花生籽仁中主要的可溶性糖成分，直接影响花生的口味，当花生籽仁中蔗糖含量达到6％以上时，口感较好。已有研究结果表明花生籽仁中的总糖含量、可溶性糖含量、蔗糖含量具有种质差异。西班牙类型花生及印度花生的蔗糖含量的均值在4.6％左右，李威涛等采用高效液相色谱法检测到28份花生品种的蔗糖含量为1.14％-8.38％。hou等测定河北花生种质57份，总糖含量在7.81％-18.01％之间。通过鉴定花生籽仁中各类型糖含量，可筛选和培育到高糖含量的种质，满足消费者的需求。
4.鉴定花生糖含量最常用的方法有三种，分别为比色法、近红外光谱法和示差折光法。其中近红外光谱分析法具有高效，快速，不损伤种质等特点，在农作物育种研究中已经得到广泛应用。在花生种子各成分含量鉴定上，已建立了脂肪含量，各脂肪酸含量、蛋白质含量的近红外模型。秦利，唐月异和雷永等分别利用72份，167份及185份基因型为材料，分别构建了适应于瑞典波通da7200近红外分析仪，matrix
‑ⅰ
型傅立叶变换近红外光谱仪及spectra star xl近红外光谱仪的花生籽粒蔗糖含量测定的近红外模型。花生籽仁可溶性糖含量鉴定的近红外模型鲜有报道。
5.广泛种植的栽培花生品种多为粉色种皮，但为了适应市场需求，尤其是鲜食花生市场，黑紫色、红色种皮花生因其含有丰富的花青素类抗氧化物质，更受消费者青睐。高通量筛选不同种皮颜色的高糖含量花生基因型是花生食味品质育种的重要工作。而有研究表明样品外观颜色是影响近红外分析的重要因素之一，按样品外观颜色分类定标(校正)更有利于提高模型的预测性能。因此，如何针对花生不同种皮颜色构建可溶性糖近红外模型对于解决现有技术问题具有关键的作用。


技术实现要素：

6.本发明的目的是提供一种构建不同种皮颜色花生可溶性糖含量近红外模型的方法，以解决上述现有技术存在的问题，将种皮颜色和可溶性糖含量测定相结合构建花生可溶性糖近红外光谱模型，有利于特色食品性花生品种的培育；同时剔除影响因素后，所构建的模型可系统、全面地反应花生籽仁中可溶性糖的含量。
7.为实现上述目的，本发明提供了如下方案：
8.本发明提供一种构建不同种皮颜色花生可溶性糖含量近红外模型的方法，包括以下步骤：
9.(1)收集不同种皮颜色花生作为样品，并获取近红外光谱信息；
10.(2)用化学方法测定不同种皮颜色的花生籽粒中的可溶性糖含量；
11.(3)将步骤(2)所得的可溶性糖含量化学值与步骤(1)采集近红外光谱信息导入化学计量软件中，采用不同预处理方法降低噪声和误差对近红外光谱值的影响，将所述预处理方法分别进行单一处理和复合处理后，筛选出最佳的预处理方法，然后对预处理后近红外光谱值及化学值用最小二乘法建立定标模型；
12.(4)测定未知的不同种皮颜色的花生样品的近红外光谱信息，然后将其代入步骤(3)所述定标模型，进行不同种皮颜色花生可溶性糖含量的分析。
13.优选的是，所述不同种皮颜色花生均为饱满、无损伤的花生；所述不同种皮颜色包括黑紫色、红色和粉色。
14.优选的是，所述黑紫色花生可溶性糖含量为2.4％-14.32％；所述红色花生可溶性糖含量为2.94％-13.75％；所述粉色可溶性糖含量为2.19％-14.53％。
15.优选的是，所述不同种皮颜色是以色泽参数l
*
，a
*
，b
*
值的最小值、最大值、均值以及标准差统计结果并计算综合色度e值，进而进行颜色区分；所述l
*
为从黑到白，0～100；所述a
*
从绿到红，-a～ a；所述b
*
为从蓝到黄，-b～ b。
16.优选的是，步骤(1)中，所述近红外光谱信息利用近红外光谱仪扫描获取，扫描条件为：光谱扫描波长为950～1650nm，环境温度为24～25℃，所述样品在24～25℃恒温处理48h以上。
17.优选的是，步骤(3)中，所述预处理方法包括多元散射校正、标准正态变量变换、一阶导数、二阶导数、s-g卷积平滑和归一化处理。
18.优选的是，步骤(3)中，构建模型过程中，自动剔除偏离较远的异常样品，然后再经过反复交叉验证剔除异常值，最后用外部验证来评价定标模型的准确性。
19.优选的是，步骤(3)中，所述最佳的预处理方法以相关系数高且标准误差小的评价标准筛选得到。
20.优选的是，步骤(2)中，利用蒽酮比色法测定不同种皮颜色花生籽粒的可溶性糖含量，所述籽粒为脱皮、脱脂后的花生样品。
21.本发明公开了以下技术效果：
22.本发明基于色差仪对种皮颜色分级的基础上构建了黑色、红色、粉色种皮的可溶性糖含量近红外模型，相关系数最高达0.914。在剔除样品颜色影响因素后，所构建的模型可系统、全面地反映花生籽仁中可溶性糖的含量。本发明可为高效选育食用型花生种质提供技术支撑。
23.本发明所构建的可溶性糖模型可与同款机型上已有的蛋白质、脂肪酸、油酸、亚油酸等模型，同步、快速、无损的整体评价花生基因型的品质，为高通量花生品质鉴定研究提供技术支撑。
附图说明
24.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
25.图1为不同颜色种皮花生籽粒样品；a：黑紫色种皮样品；b：红色种皮样品；c：粉色种皮样品；
26.图2为黑紫色样品的扫描光谱；
27.图3为红色样品的扫描光谱；
28.图4为粉色样品的扫描光谱；
29.图5为不同种皮颜色花生籽仁可溶性糖含量的校正模型；a：黑紫色种皮，可溶性糖含量；b：红色种皮，可溶性糖含量；c：粉色种皮，可溶性糖含量；
30.图6为不同种皮颜色花生籽仁可溶性糖含量的预测模型；a：黑紫色种皮，可溶性糖含量；b：红色种皮，可溶性糖含量；c：粉色种皮，可溶性糖含量。
具体实施方式
31.现详细说明本发明的多种示例性实施方式，该详细说明不应认为是对本发明的限制，而应理解为是对本发明的某些方面、特性和实施方案的更详细的描述。
32.应理解本发明中所述的术语仅仅是为描述特别的实施方式，并非用于限制本发明。另外，对于本发明中的数值范围，应理解为还具体公开了该范围的上限和下限之间的每个中间值。在任何陈述值或陈述范围内的中间值以及任何其他陈述值或在所述范围内的中间值之间的每个较小的范围也包括在本发明内。这些较小范围的上限和下限可独立地包括或排除在范围内。
33.除非另有说明，否则本文使用的所有技术和科学术语具有本发明所述领域的常规技术人员通常理解的相同含义。虽然本发明仅描述了优选的方法和材料，但是在本发明的实施或测试中也可以使用与本文所述相似或等同的任何方法和材料。本说明书中提到的所有文献通过引用并入，用以公开和描述与所述文献相关的方法和/或材料。在与任何并入的文献冲突时，以本说明书的内容为准。
34.在不背离本发明的范围或精神的情况下，可对本发明说明书的具体实施方式做多种改进和变化，这对本领域技术人员而言是显而易见的。由本发明的说明书得到的其他实施方式对技术人员而言是显而易见的。本技术说明书和实施例仅是示例性的。
35.关于本文中所使用的“包含”、“包括”、“具有”、“含有”等等，均为开放性的用语，即意指包含但不限于。
36.实施例
37.一、试验材料与方法
38.1、材料
39.本发明选用332份花生基因型，其中1-231号是以四粒红和冀农黑3号为亲本衍生的重组自交系群体的部分家系，232-332号是美国微核心种质中的部分基因型。并在河北农业大学实验室资源库中利用色差仪随机选取三种种皮颜色各15份品种做模型验证。所用到
的种子均为2020年9月收获于河北省河北农业大学清苑试验基地。
40.2、花生种皮色度值测定
41.利用日本konica minolta公司生产的cr-10plus色差仪测定花生种皮的色度值，每个花生基因型分别取三粒饱满，无损坏的种子测定三次，测定l*，a*，b*值，取三次结果的平均值。色差仪从l*(从黑到白，0～100)、a*(从绿到红，-a～ a)，b*(从蓝到黄，-b～ b)3个方面分别评价果实颜色。
42.3、光谱采集
43.采用瑞典波通da7250近红外分析仪(da7250 diode array analyzer)的simplicity
tm
软件进行光谱信息采集。光谱仪扫描波长范围为950-1650nm，环境温度在24℃-25℃，样品在25℃左右恒温放置48h以上，以减少温度对样品的影响。仪器开机预热30分钟后，每个样品取均匀饱满的种子装入样品杯中，使表面平整。扫描5次，重复装样3次，获得平均光谱用于建模。
44.4、花生籽粒中的糖含量测定
45.参照hou等发表的文献(hou ming-yu m g-j,zhang yong-jiang.evaluation of total flavonoid content and analysis of related est-ssr in chinese peanut germplasm[j].crop breeding and applied biotechnology,2017,17(3).)进行样品前处理，将采集光谱后的花生籽仁去种皮，称取100mg样品用jxfstprp-24(上海净信实业发展有限公司)砸样机砸碎，加石油醚(沸程：60-90)脱脂三次，作为脱脂样品，进行糖含量的测定。糖含量测定进行三次生物学重复。
[0046]
可溶性糖含量的测定参照李晓旭的蒽酮比色法并略有调整。以蔗糖为标准品，将准备的100mg脱脂样品于10ml离心管中，加入1.5ml蒸馏水，摇匀，95℃水浴10分钟，冷却后，10000r/min离心10分钟，取上清液于10ml离心管中，定容至10ml，摇匀备用。
[0047]
测定：5ml离心管内分别加入0.08ml样品液、0.6ml蒸馏水、0.2ml蒽酮试剂以及2ml浓硫酸；设置对照组：0ml样品液、0.68ml蒸馏水、0.2ml蒽酮试剂以及2ml浓硫酸。混匀，95℃水浴10分钟，冷却至室温后，使用酶标仪在620nm下测定吸光值。设置对照空白组，分别进行三次生物学重复。
[0048]
5、模型构建与优化
[0049]
采用挪威camo公司的化学计量学软件the unscrambler x10.4构建模型，将测得的糖含量化学值与采集的近红外光谱导入the unscrambler x10.4软件，采用多元散射校正(msc)、标准正态变量变换(snv)、一阶导数(1
st derivative，1
st-der)、二阶导数(2
nd derivative，2
nd-der)、s-g卷积平滑、归一化处理等预处理方法来减少噪声和误差对光谱的影响，将预处理方法分别进行单一处理及复合处理，筛选出最佳的预处理方法。对预处理后光谱及化学值用偏最小二乘法(pls)建立定标模型。检验时，自动剔除较大剩余值的异常样品，然后再经过反复交叉验证剔除异常值，采用外部验证评价模型的稳定性。模型的评价参数主要由决定系数(r2)和标准误差(rmse)来衡量模型的预测精度，相关系数高且标准误差小的模型稳定性好。
[0050]
6、模型的外部验证
[0051]
三种颜色种皮的花生品种(系)各随机选取15个，利用建立的近红外模型检测其糖含量，记录近红外模型的预测值和化学测定样品的可溶性糖含量。比较近红外模型预测值
与化学值的相关性和准确性。
[0052]
二、试验结果
[0053]
2.1不同种皮颜色花生的划分
[0054]
利用cr-10plus色差仪测定花生种皮的色度值，由图1所示，将332份花生样品划分成了黑紫色，红色和粉色三种不同颜色的种皮籽粒。其中，黑紫色种皮样品120份，红色种皮样品80份，粉色种皮样品132份。花生不同种皮颜色(l
*
，a
*
，b
*
)最小值、最大值、均值以及标准差统计结果，如表1所示。
[0055]
从表1中可以得出，不同种皮颜色综合色度e值的均值分别为10.64(黑紫色)、25.74(红色)和29.23(粉色)。随着色泽参数l
*
均值的增大，种皮的颜色越亮；随着色泽参数a
*
均值的增大，颜色由浅红色变为深红色；随着色泽参数b
*
均值的增大，颜色由低亮度黄色转变为高亮度黄色。
[0056]
表1不同种皮颜色色度值的统计分析
[0057][0058]
2.2不同种皮颜色花生籽仁光谱采集
[0059]
采集的黑紫色种皮样品120份花生籽仁近红外光谱如图2所示，红色种皮样品80份花生籽仁近红外光谱如图3所示，粉色种皮样品132份花生籽仁近红外光谱如图4所示，由图2-4可见，花生样品在950-1650nm范围内均有明显吸收峰，每个样品存在多处吸收峰，不同样品的吸收峰强度不同。表明扫描的近红外光谱图可以用于花生籽粒糖含量的定量分析。
[0060]
2.3花生仁中糖含量的化学分析
[0061]
采用比色法测定332份花生籽粒中的糖含量，样品的化学测定结果如表2所示，可溶性糖含量在2.19％-14.53％之间，其中粉色籽仁差异最大，此差异反映了粉色籽仁之间可溶性糖含量差异。不同颜色种皮的糖含量变异系数在36.18％-39.89％之间。结果表明，本发明选择花生材料的糖含量分布范围广，变异系数大，代表性好，可以进行近红外光谱定标预测。
[0062]
表2不同种皮颜色花生籽仁糖含量的化学测定结果
[0063][0064]
2.4花生籽仁糖含量预测模型构建
[0065]
2.4.1光谱预处理方法的选择
[0066]
一般常用的预处理方法有多元散射校正(msc)、标准正态变量变换(snv)、一阶导数(1
st derivative，1
st-der)和二阶导数(2
nd derivative，2
nd-der)、s-g卷积平滑、归一化处理(normalize)、基线校正(baseline)等，将其按基线校正，散射校正，平滑处理，尺度与缩放等分别进行单一预处理，两个预处理和三个预处理共计120种预处理方法对光谱进行处理。根据相关系数(r2)及标准误差(rmse)筛选出最佳的处理方法。
[0067]
本发明所建3个模型最佳光谱预处理方法如表3所示，均用到了两种以上的预处理方法，以保障模型的适用性。
[0068]
表3不同种皮颜色花生籽仁糖含量光谱值的最佳预处理方法
[0069][0070]
2.4.2花生籽仁糖含量定标模型的构建与验证
[0071]
对不同颜色种皮花生中可溶性糖的化学值和采集的近红外光谱数据分别进行拟合光谱处理，采用偏最小二乘法(pls)的化学计量学方法建立定标模型，反复采用内部交叉验证剔除异常值，通过模型的决定系数(r2)和定标标准差(rmse)衡量定标模型，筛选最佳模型。对没有进行定标模型建立的三个颜色各15份品种分别进行近红外分析和化学方法测定，作为外部验证集，进行模型预测。
[0072]
样品的校正模型的相关系数如表4和图5所示，黑紫色种皮花生可溶性糖模型的决定系数为0.914，sec为0.704(图5a)；红色种皮花生可溶性糖模型的决定系数为0.897，sec为0.768(图5b)；粉色种皮花生可溶性糖模型的决定系数为0.883，sec为0.830(图5c)，所建模型的决定系数均大于0.88，标准误差较小，可以进行有效预测。可见，决定系数均大于0.88，最大的是黑紫色种皮可溶性含量的模型，决定系数为0.914。所建模型可以进行有效预测。
[0073]
表4基于pls不同种皮颜色花生籽仁糖含量的预测模型
[0074][0075]
所建模型经外部验证，各模型预测值与化学值的相关系数均在0.88以上(图6)，结果表明本发明所构建的3个模型可用于不同种皮颜色花生可溶性糖含量的鉴定。
[0076]
本发明利用色差仪将花生种质划分为粉色、红色和黑紫色种皮花生，并构建可花生籽粒可溶性糖近红外模型，更有利于特色食用性花生品种的培育。另外，本发明采用perten公司生产的da7250建立糖含量的预测模型，分级清楚，模型的适用性广。
[0077]
以上所述的实施例仅是对本发明的优选方式进行描述，并非对本发明的范围进行
限定，在不脱离本发明设计精神的前提下，本领域普通技术人员对本发明的技术方案做出的各种变形和改进，均应落入本发明权利要求书确定的保护范围内。