论文部分内容阅读
菜籽粕是菜籽榨油后的副产物,蛋白含量高,但生物利用率较低。研究发现菜籽粕通过固态发酵可以降解大分子蛋白为多肽,有效提高菜籽蛋白利用率,大大提高其价值。但在固态发酵过程中,普遍采用传统离线方法检测发酵参数,费时费力,严重影响着固态发酵过程控制、发酵优化水平的提高。近红外光谱技术具有检测速度快、无损及无污染等优点,在固态发酵过程的参数快速检测中有很大应用潜力。因此,本文研究了近红外光谱技术在枯草芽孢杆菌固态发酵菜籽粕制备多肽中的应用,以实现该过程关键参数的快速检测。论文主要研究内容和结果如下:(1)基于近红外光谱技术对菜籽粕固态发酵阶段的快速判别。采用传统试验方法测定基质含水量、pH、色差和微生物含量等发酵过程指标,结合发酵时间利用MATLAB软件进行聚类分析,得到菜籽粕固态发酵可分为4个阶段:起始期(0~5 h)、生物量快速增长期(5~12 h)、加速发酵期(12~26 h)和稳定发酵期(26~72 h);对聚类分析时测定理化指标的样本同时进行近红外光谱扫描,分别用标准正态变量变换(standard normal variate,SNV)、多元散射校正(multivariate scatter correlation,MSC)、平滑滤波(savitzky-golay,S-G)、归一化(Normalization)和导数处理(Derivative)等方法对光谱数据预处理;采用K最近邻法(K-nearest neighbors,KNN)模式识别,对预处理方法、主成分数、K值进行了交叉验证,得到了在1阶导数预处理后,主成分为15,K为1情况下模型预测结果最优,126个训练集样本的区分率为100%,42个预测集样本识别率达95.24%。结果表明该方法可以实现对菜籽粕固态发酵阶段的有效快速判别,为发酵过程的阶段调控提供技术基础。(2)发酵过程中微生物量的近红外光谱模型建立。收集菜籽粕固态发酵过程的发酵样本,平板计数法测定其微生物量并扫描发酵样本得到近红外光谱。光谱进行预处理后,应用偏最小二乘法(partial least squares,PLS)、区间偏最小二乘法(interval partial least squares,iPLS)和联合区间偏最小二乘法(synergy interval partial least squares,siPLS)三种方法建立微生物定量模型。结果显示联合区间偏最小二乘法模型最优,其预处理方法为归一化,最佳光谱波长范围为1,135.2~1,188.8 nm、1,388.0~1,469.0 nm、1,666.3~1,784.4 nm和1,785.6~1,922.0nm。模型校正集的r_c为0.9402,RMSECV为0.639,预测集的r_p为0.9521,RMSEP为0.618。结果表明利用近红外光谱技术可实现对菜籽粕固态发酵中微生物量的快速检测,且误差较小。(3)发酵基质中多肽含量的近红外光谱模型建立。将收集的128个发酵样本分别进行光谱扫描和多肽含量测定。得到的近红外光谱进行预处理,再与PLS、iPLS和siPLS三种建模方法进行交叉验证。结果显示siPLS模型预测效果最好,光谱预处理方法为MSC、Normalization组合,筛选出最佳光谱区间为1,135.2~1,174.8 nm、1,175.3~1,217.8 nm、2,041.5~2,173.3 nm和2,327.4~2,500.2nm。多肽模型训练集r_c为0.9401,RMSECV为2.09,预测集中r_p为0.9284,RMSEP为2.4。结果表明近红外光谱建模预测结果相关性好,误差小,可实现对菜籽粕固态发酵过程中多肽含量有效预测。(4)研究了固态发酵过程中pH定量模型在不同仪器之间的转移。测定固态发酵过程中pH变化,并同时在源仪器(积分球模块)和新仪器(光线探头模块)上扫描得到近红外光谱。采用siPLS建立源仪器光谱的pH定量模型,得到最优siPLS模型中校正集r_c为0.9716,RMSECV为0.172,预测集r_p为0.9616,RMSEP为0.211。再分别对比S/B、DS、PDS和Shenk’s四种模型转移方法效果,结果显示源光谱模型经Shenk’s算法转移后预测效果最好,预测集的相关系数r_p由转化前的0.7034提高到0.9563,标准均方根误差RMSEP由转化前的1.90减小为0.269。结果表明针对菜籽粕固态发酵过程中pH定量模型,可以实现不同近红外仪器之间的转移,提高模型的通用性,节省了重复建模的成本,并为其他固态发酵关键参数的模型转移提供了有效途径。