สารบัญ
ติดตามอัพเดท เกี่ยวกับนีโอสเปกตรา
บทนำ
ถั่วเหลืองพันธุ์ใหม่ได้รับการพัฒนาผ่านทางพันธุวิศวกรรมโดยมีกรดไขมันโอเลอิกที่เพิ่มขึ้นไขมันไม่อิ่มตัวเชิงเดี่ยวนี้ถือเป็นน้ำมันที่ดีต่อสุขภาพเนื่องจากมีปริมาณไขมันอิ่มตัวต่ำเช่นเดียวกับเสถียรภาพออกซิเดชันที่สูงขึ้นและอายุการเก็บรักษาที่ยาวนานกว่าเมื่อเทียบกับน้ำมันถั่วเหลืองทั่วไปความเสถียรที่เพิ่มขึ้นนี้ช่วยลดความจำเป็นในการทำให้เกิดไฮโดรเจนทำให้มั่นใจได้ว่าไม่มีไขมันทรานส์ซึ่งเป็นปัจจัยสำคัญสำหรับอุตสาหกรรมอาหารโดยเฉพาะอย่างยิ่งกับการห้ามใช้น้ำมันไฮโดรเจนบางส่วน (Food and Drug Administration, 2015)อุตสาหกรรมต้องการการวิเคราะห์บนจุดอย่างรวดเร็วเพื่อตรวจจับพารามิเตอร์คุณภาพของถั่วเหลืองที่ได้รับ โดยเฉพาะอย่างยิ่งเพื่อวิเคราะห์วัสดุที่มีมูลค่าสูงยิ่งไปกว่านั้นความสามารถนี้ควรได้รับการปรับแต่งเพื่อนำไปใช้ในสภาพแวดล้อมที่มีการควบคุมซึ่งให้ความแม่นยำพิเศษในการวิเคราะห์
ภาพรวม
ถั่วเหลืองดัดแปลงพันธุกรรมเพื่อเพิ่มองค์ประกอบของกรดโอเลอิกนำเสนอแนวทางที่ใช้งานได้จริงในการเพิ่มปริมาณน้ำมันพืชโอเลอิกสูงโดยตอบสนองข้อ จำกัด ปัจจุบันในตลาดการพัฒนาพันธุ์ถั่วเหลืองที่สะสมน้ำมันโอเลอิกสูงในขณะที่รักษาคุณภาพโปรตีนเป็นทางออกที่ยั่งยืนเพื่อตอบสนองความต้องการทางโภชนาการในอนาคต
เนื่องจากการผลิตน้ำมันถั่วเหลืองพิเศษใหม่ โดยเฉพาะอย่างยิ่งสายพันธุ์โอเลอิกสูงยังคงเพิ่มขึ้นอย่างต่อเนื่องและกฎระเบียบเกี่ยวกับส่วนผสมอาหารจีเอ็มโอเข้มงวดมากขึ้น การตรวจสอบถั่วเหลืองที่เข้ามาอย่างมีประสิทธิภาพจึงจำเป็นสำหรับ บริษัท อาหารเป็นสิ่งจำเป็นสำหรับบริษัทอาหารวิธีการทั่วไปสำหรับจุดประสงค์นี้มักใช้เวลานานใช้แรงงานและต้องใช้คนที่มีทักษะดังนั้นการระบุวิธีการคัดกรองอย่างรวดเร็วและตรงไปตรงมาจึงมีความสำคัญต่อการสร้างประสิทธิภาพในการผลิตอาหาร
เครื่องสแกนเนอร์ NeoSpectra ซึ่งโดดเด่นด้วยขนาดกะทัดรัดและคุ้มค่า จึงกลายเป็นตัวเลือกที่เหมาะสำหรับการทำหน้าที่เป็นเครื่องมือคัดกรองเพื่อแยกความแตกต่างของถั่วเหลืองโอเลอิคสูงจากถั่วเหลืองชนิดจีเอ็มโอเลอิกสูงจากถั่วเหลืองทั่วไปยิ่งไปกว่านั้นความคล่องตัวช่วยให้สามารถใช้งานได้ในสภาพแวดล้อมที่มีการควบคุมซึ่งอนุญาตให้เตรียมตัวอย่าง (เช่นการบด) ช่วยเพิ่มความแม่นยำของพารามิเตอร์
NIR ทำงานอย่างไร
NIR เป็นวิธีการวิเคราะห์ทุติยภูมิที่อาศัยข้อมูลที่มาจากห้องปฏิบัติการอ้างอิง (GC-FID) ซึ่งเป็นข้อมูลอ้างอิงเพื่อสร้างการถดถอยของ PLS ด้วยสเปกตรัมเมื่อปรับเทียบแล้ว แบบจำลอง PLS จะสามารถทำนายองค์ประกอบของกรดไขมันโดยใช้เฉพาะสเปกตรัมที่สร้างโดยสเปกโตรมิเตอร์ NIR เท่านั้นจากนั้นจะได้ผลลัพธ์ในเวลาน้อยกว่า 2 นาทีโดยเครื่องมือ
การออกแบบการทดลอง
NIR เป็นวิธีการวิเคราะห์ทุติยภูมิที่อาศัยข้อมูลที่มาจากห้องปฏิบัติการอ้างอิง (GC-FID) ซึ่งเป็นข้อมูลอ้างอิงเพื่อสร้างการถดถอยของ PLS ด้วยสเปกตรัมเมื่อปรับเทียบแล้ว แบบจำลอง PLS จะสามารถทำนายองค์ประกอบของกรดไขมันโดยใช้เฉพาะสเปกตรัมที่สร้างโดยสเปกโตรมิเตอร์ NIR เท่านั้นจากนั้นจะได้ผลลัพธ์ในเวลาน้อยกว่า 2 นาทีโดยเครื่องมือ
ชุดตัวอย่าง
รวบรวมทั้งหมด 88 ตัวอย่างจากซัพพลายเออร์ที่แตกต่างกัน 4 รายการตัวอย่างคือถั่วเหลืองธรรมดาและถั่วเหลืองไฮโอเลอิกเพื่อให้มั่นใจถึงประสิทธิภาพของโมเดลในหน่วยความแตกต่าง มีการใช้เครื่องมือรวม 17 ตัวเพื่อรวบรวมสเปกตรัมเครื่องมือแบ่งออกเป็น 5 เครื่อง (หน่วยสอบเทียบ) และ 12 (ชุดพัฒนา)สุดท้ายมีการเก็บตัวอย่างถั่วเหลืองทั้งสองตัวอย่างที่อุณหภูมิ -20C, 4C และ 20C เพื่อตรวจสอบประสิทธิภาพของรุ่นที่สัมผัสกับอุณหภูมิที่รุนแรง
วิธีการอ้างอิง
ใช้แก๊สโครมาโตกราฟี (FID) เพื่อวิเคราะห์โปรไฟล์กรดไขมันจากไขมันที่สกัดจากอีเธอร์ผลลัพธ์จะแสดงเป็นกรัมของกรดไขมันต่อตัวอย่าง 100 กรัม
ชุดสอบเทียบและการตรวจสอบ
มีการใช้การตรวจสอบข้ามเพื่อประเมินประสิทธิภาพของแบบจำลองนอกจากนี้ มีการวัดตัวอย่างจำนวน 2 ตัวที่อุณหภูมิที่แตกต่างกัน 3 ตัวเพื่อดูผลกระทบของอุณหภูมิต่อการคาดการณ์สิ่งนี้ทำเพื่อให้แน่ใจว่าโมเดลสำหรับถั่วทั้งถั่วจะทำงานได้ดีเมื่ออยู่ในทุ่งที่อุณหภูมิลบและบวก
เงื่อนไขการวัด
• การตั้งค่า: การย้อนกลับแบบกระจายตัว
• ช่วงสเปกตรัม: 1350 — 2550 นาโนเมตร
• เวลาสแกน: ของ 5 วินาที
• ความละเอียด ของ 16 นาโนเมตรที่ λ=1,550 นาโนเมตร
• ขนาดจุด = 10 มิลลิเมตร2,
• อุณหภูมิ: อุณหภูมิห้อง
(* ยกเว้น 2 ตัวอย่าง)
• ค่าเฉลี่ย: แต่ละตัวอย่างถูกวัด 6 ครั้งสำหรับตัวอย่างบดและ 12 ครั้งสำหรับถั่วทั้งถั่วด้วย NeoSpectra Scanner และเป็นค่าเฉลี่ยสำหรับการวิเคราะห์
การพัฒนาแบบจำลองสอบเทียบ
แบบจำลองการถดถอยสี่เหลี่ยมน้อยที่สุดบางส่วน (PLS) ถูกสร้างขึ้นเพื่อสร้างความสัมพันธ์เชิงเส้นระหว่างสเปกตรัมและองค์ประกอบ ซึ่งกำหนดผ่านการวิเคราะห์ทางเคมีในห้องปฏิบัติการPLS ใช้เพื่อลดข้อมูลสเปกตรัม ซึ่งเดิมประกอบด้วยตัวแปร 257 ตัว (ความยาวคลื่น) เป็นตัวแปรแฝงจำนวนจำกัด (L.V.)การลดความซับซ้อนนี้มีจุดมุ่งหมายเพื่อเพิ่มความสามารถในการตีความของข้อมูล
การเลือกตัวแปรแฝงนั้นขึ้นอยู่กับความสัมพันธ์กับคำตอบ (เนื้อหาถั่วเหลืองในบริบทนี้) โดยให้ความสำคัญกับผู้ที่มีความสัมพันธ์สูง
การวิเคราะห์ข้อมูล
ประสิทธิภาพของแบบจำลอง Partial Least Squares (PLS) ได้รับการประเมินโดยใช้เทคนิคการตรวจสอบข้ามสิ่งนี้เกี่ยวข้องกับการคำนวณข้อผิดพลาดในการทำนาย (ตารางค่าเฉลี่ยของข้อผิดพลาดสำหรับตัวอย่างทั้งหมด) และค่าสัมประสิทธิ์การกำหนด (R2CV) ระหว่างเนื้อหาที่คาดการณ์ไว้และข้อมูลอ้างอิงที่ได้รับจากการวิเคราะห์ทางเคมีเทคนิคการตรวจสอบข้ามเกี่ยวข้องกับการแบ่งข้อมูลออกเป็นชุดสอบเทียบและการตรวจสอบความถูกต้องชุดสอบเทียบถูกนำมาใช้สำหรับการฝึกโมเดล PLS ในขณะที่ชุดการตรวจสอบถูกสงวนไว้สำหรับการประเมินประสิทธิภาพของโมเดล
ในการทำซ้ำแต่ละชุดการตรวจสอบและการสอบเทียบจะถูกรวมเข้าด้วยกัน และส่วนใหม่ของข้อมูลจะถูกกำหนดเป็นชุดการตรวจสอบความถูกต้องจากนั้นกระบวนการนี้จะทำซ้ำซึ่งเกี่ยวข้องกับการฝึกอบรมแบบจำลองและการตรวจสอบในชุดที่อัปเดตขั้นตอนการทำซ้ำนี้จะดำเนินต่อไปจนกว่าแต่ละตัวอย่างจะได้รับการแสดงอย่างน้อยหนึ่งครั้งในชุดการตรวจสอบความถูกต้องซึ่งจะให้การประเมินความสามารถในการทำนายของโมเดล PLS ที่ครอบคลุม
ผลลัพธ์และการสนทนา
ผลลัพธ์จากการตรวจสอบข้ามจะแสดงในรูปที่ 1เพื่อหาปริมาณความแม่นยำของแบบจำลองลักษณะทางสถิติต่อไปนี้จะสรุปใน:
•R2: ค่าสัมประสิทธิ์การกำหนดยิ่งใกล้เคียง 1 ยิ่งดีเท่านั้น
•RMSE: ตารางค่าเฉลี่ยรากของข้อผิดพลาดยิ่งดีกว่าเดิม
•SEP — ข้อผิดพลาดมาตรฐานของการทำนายยิ่งดีกว่าเดิม
•อคติ — ความแตกต่างเฉลี่ยระหว่างผลการปฏิบัติงานและค่าที่คาดการณ์ยิ่งใกล้เคียง 0 ก็ยิ่งดีเท่านั้น
ผลการวิจัยที่นำเสนอในการศึกษานี้ชี้ให้เห็นว่า NeoSpectra Scanner ให้ผลลัพธ์ที่ยอดเยี่ยมในการทำนายตัวอย่างพื้นดินนอกจากนี้ถั่วเหลืองทั้งหมดสามารถวิเคราะห์เพื่อการวิเคราะห์อย่างรวดเร็วด้วยเครื่องมือคัดกรองโดยไม่ต้องแปรรูปตัวอย่าง (ตารางที่ 2)
ข้อสรุป
เครื่องสแกนเนอร์ NeoSpectra ได้แสดงให้เห็นถึงประสิทธิภาพที่ยอดเยี่ยมในการวิเคราะห์ถั่วเหลืองทั้งหมดและถั่วเหลืองบด ทำให้สามารถทดสอบในภาคสนามได้ตัวอย่างที่รวบรวมโดยตรงจากรถบรรทุกในพื้นที่รับสามารถวิเคราะห์ได้ทันทีและข้อมูลที่ได้สามารถใช้เพื่อประเมินคุณภาพถั่วเหลืองเพื่อความแม่นยำพิเศษสามารถใช้เครื่องมือเดียวกันได้หลังจากบดตัวอย่างข้อมูลทั้งหมดจะถูกเก็บไว้ในระบบคลาวด์อย่างปลอดภัยทำให้มั่นใจได้ว่าสามารถเข้าถึงได้จากทุกที่ในโลกความสามารถนี้ใช้ได้กับทั้งองค์กรขนาดเล็กและขนาดใหญ่ โดยนำเสนอโซลูชันที่หลากหลายซึ่งรวมเข้ากับการผลิตและการตั้งค่าฟาร์มต่างๆ ได้อย่างราบรื่น
การยอมรับ
บทความนี้เป็นไปได้โดยการมีส่วนร่วมของ Cumberland Valley Analytical Services (CVAS)การยอมรับเป็นพิเศษจาก Heather Seibert และ Ralph Ward สำหรับผลงานและข้อมูลที่มีคุณค่า
