目录
随时了解最新动态 关于 neospectra
导言
通过基因工程开发了新的大豆品种，其特点是增加了油酸脂肪酸。与传统大豆油相比，这种单不饱和脂肪被认为是一种更健康的油，因为其饱和脂肪含量较低，氧化稳定性更高，保质期更长。这种增强的稳定性无需氢化，从而确保不含反式脂肪——反式脂肪是食品行业的重要因素，尤其是在禁用部分氢化油的情况下（食品药品监督管理局，2015）。该行业需要进行快速的现场分析，以检测接收的大豆的质量参数，尤其是分析高价值材料。此外，应完善这种能力，使其应用于可控环境，从而为分析提供更高的准确性
概述
通过基因改造大豆来增强其油酸成分，为增加高油酸植物油的供应提供了一种切实可行的方法，从而解决了当前的市场局限性。开发能够在保持蛋白质质量的同时积累高油脂的大豆品种是满足未来营养需求的潜在可持续解决方案。
随着新的特种大豆油，尤其是高油酸变种的产量持续增加，以及对转基因食品成分的监管变得越来越严格，有效监测进口大豆对食品公司至关重要。用于此目的的常规方法通常是耗时的、劳动密集型的，并且需要熟练的人员。因此，确定快速而直接的筛选方法对于确保食品生产效率至关重要。
NeoSpectra Scanner 以其紧凑的尺寸和成本效益为特征，成为区分转基因高油酸大豆和传统大豆的筛选工具的理想候选产品。此外，它的多功能性允许在允许样品制备（例如研磨）的受控环境中应用，从而提高了参数的准确性。
NIR 的工作原理
近红外是一种二级分析方法，它依赖于来自参考实验室（GC-FID）的数据，即参考数据，使用光谱建立 PLS 回归。校准后，PLS 模型仅使用近红外光谱仪生成的光谱即可预测脂肪酸成分。然后，仪器可以在不到2分钟的时间内获得结果。
实验设计
近红外是一种二级分析方法，它依赖于来自参考实验室（GC-FID）的数据，即参考数据，使用光谱建立 PLS 回归。校准后，PLS 模型仅使用近红外光谱仪生成的光谱即可预测脂肪酸成分。然后，仪器可以在不到2分钟的时间内获得结果。
样品集
共从 4 个不同的供应商处收集了 88 个样本。样本是常规大豆和高油酸大豆。为了确保模型在差异单位上的性能，共使用了17种仪器来收集光谱。这些仪器分为 5 个（校准单元）和 12 个（开发套件）仪器。最后，在-20摄氏度、4摄氏度和20摄氏度下采集了两个完整的大豆样本，以检查暴露在极端温度下的模型的性能。
参考方法
气相色谱（FID）用于分析乙醚提取的脂肪中的脂肪酸分布。结果以每 100 克样本中的脂肪酸克数表示。
校准和验证套件
交叉验证用于评估模型性能。此外，在3种不同的温度下测量了2个样本，以了解温度对预测的影响。这样做是为了确保全豆模型在负温度和正温度下在田间作业时表现良好。
测量条件
• 设置： 漫反射
• 光谱范围： 1350 — 2550 纳米
• 扫描时间： 的 5 秒
• 分辨率 在 α=1,550 nm 时为 16nm
• 光斑大小 = 10 mm2，
• 温度： 房间温度
（* 2 个样本除外）
• 平均值： 使用 NeoSpectra Scanner 对每个样本进行了磨碎样本的测量 6 次，对全豆进行了12 次测量，并对分析进行了平均值
校准模型开发
构建偏最小二乘回归（PLS）模型是为了建立通过实验室化学分析确定的光谱和成分之间的线性关系。PLS 用于将最初包含 257 个变量（波长）的频谱数据减少为有限数量的潜在变量（L.V.）。降低复杂性旨在增强数据的可解释性。
潜在变量的选择基于其与响应（本文中为大豆含量）的相关性，优先考虑相关性高的变量。
数据分析
使用交叉验证技术评估了偏最小二乘（PLS）模型的性能。这涉及计算预测误差（所有样本误差的均方根）和预测内容与从化学分析中获得的参考数据之间的决定系数（R2CV）。交叉验证技术需要将数据划分为校准集和验证集。校准集用于训练 PLS 模型，而验证集则用于评估模型的性能。
在每次迭代中，将验证集和校准集合合在一起，并将数据的新部分指定为验证集。然后重复该过程，包括对更新后的集合进行模型训练和验证。这种迭代过程一直持续到每个样本在验证集中至少出现一次为止，从而对PLS模型的预测能力进行了全面评估。
结果和讨论
交叉验证的结果如图 1 所示。为了量化模型的准确性，以下统计特征总结为：
•R2：确定系数。越接近 1 越好。
•RMSE：误差的均方根。越小越好。
•SEP — 预测的标准误差。越小越好。
•偏差 ― 实验室结果和预测值之间的平均差异。越接近 0 越好。
本研究中提出的发现表明，NeoSpectra扫描仪在预测地面样本方面提供了出色的结果。此外，无需样品预处理即可提供筛选工具，可以对整颗大豆进行分析以进行快速分析（表 2）。
结论
NeoSpectra 扫描仪在分析整颗大豆和磨碎的大豆方面表现出卓越的性能，可以进行现场测试。可以迅速分析直接从接收区域的卡车上采集的样本，并且可以利用所得数据来评估大豆质量。为了提高精度，研磨样品后可以使用相同的仪器。所有信息都安全地存储在云中，确保从世界任何地方都可以访问。这种功能既适用于小型企业，也适用于大型企业，提供了一种多功能的解决方案，可以无缝集成到各种生产和农场设置中。
致谢
本文之所以成为可能，要归功于坎伯兰谷分析服务公司（CVAS）的贡献。特别感谢希瑟·塞伯特和拉尔夫·沃德的宝贵贡献和数据。
