근거리를 사용하여 우유 정제 내 당분의 즉각적인 정량화

Scientific Reports 12권, 기사 번호: 18802(2022) 이 기사 인용

949 액세스

1 알트메트릭

측정항목 세부정보

우유 정제는 많은 아시아 국가에서 인기 있는 유제품입니다. 이 연구의 목적은 근적외선(NIR) 분광법을 사용하여 우유 정제의 자당 및 유당 함량을 측정하는 즉각적이고 신속한 방법을 개발하는 것입니다. 정량적 분석을 위해 중앙 복합 설계(CCD)를 기반으로 실험실 규모의 우유 샘플로 구성된 훈련 세트를 생성하고 자당 및 유당 함량 예측을 위한 부분 최소 제곱(PLS) 회귀를 설정하는 데 사용하여 다음과 같은 R2 값을 얻었습니다. 0.9749 및 0.9987이며 해당 RMSEC(교정 평균 제곱근 오차) 값은 1.69 및 0.35입니다. 그러나 실험실 규모의 분말과 최종 제품 우유 정제 샘플 간의 물리적 차이로 인해 PLS 모델의 예측 성능에 큰 영향을 미치는 스펙트럼 편차가 발생했습니다. 따라서 직접 표준화(DS) 및 조각별 직접 표준화(PDS)라는 보정 전송 방법을 사용하여 정량적 예측 전에 실제 우유 정제 샘플의 NIR 스펙트럼을 조정했습니다. 고성능 액체 크로마토그래피(HPLC)를 참조 방법으로 사용하여 개발된 NIR 화학계량 모델을 사용하여 설탕과 유당에 대한 RMSEP(예측 근평균 제곱 오차) 값을 생성함으로써 실제 우유 정제의 설탕 함량을 즉시 예측할 수 있습니다. PDS 변환 후 Q2 값은 각각 0.7973과 0.9411인 5.04와 4.22입니다.

우유 정제는 대체 영양 간식으로 간주됩니다. 우유의 고소한 맛은 물론, 단백질, 탄수화물, 칼슘 등 양질의 영양소를 고루 갖춘 간식입니다. 우유와 함께 설탕은 우유 정제의 주요 성분 중 하나입니다. 종종 우유 정제를 달게 만들기 위해 자당을 첨가합니다1. 유당은 원유 물질에서 발견되는 주요 탄수화물입니다2. 품질 관리 평가에는 당 함량 측정이 중요합니다. 또한 설탕 양의 변화는 우유 스낵의 식감에 영향을 미치는 완제품의 영양 품질에 영향을 미칠 수 있습니다3,4.

전통적으로 우유에 함유된 설탕의 정량화는 화학적 적정 방법을 사용하여 달성할 수 있습니다5. 이러한 습식 실험실 방법은 간단할 수 있습니다. 그러나 실험 절차는 시간이 많이 걸리고 종종 많은 양의 화학 폐기물이 발생합니다. 고성능 액체 크로마토그래피(HPLC)6,7, 전기화학 분석8,9, 핵자기공명(NMR)10과 같은 여러 분석 기술도 정량 작업을 수행하는 데 사용되었습니다. 그럼에도 불구하고, 시료 검출 과정 이전에 복잡한 시료 준비 방법이 필요하다는 것이 큰 단점이었습니다. 따라서 이러한 테스트는 지속적인 온라인 생산 공정에서 많은 샘플을 얻는 제조 공장에는 적합하지 않습니다.

근적외선(NIR) 분광학은 800~2500 nm 영역에서 샘플과 전자기 방사선 사이의 진동 상호 작용을 조사합니다. NIR 검출은 광범위한 샘플 준비 없이 짧은 기간 내에 많은 수의 샘플을 비파괴적으로 측정할 수 있다는 점에서 다른 분광 검출에 비해 몇 가지 장점이 있습니다. NIR 스펙트럼은 스펙트럼 데이터와 화학적 특성 간의 관계 정보가 수학적으로 조사되는 부분 최소 제곱(PLS) 회귀11,12,13라는 교정 모델을 사용하여 샘플의 흥미로운 화학적 특성과 관련될 수 있습니다. 그런 다음 이 상관 정보를 사용하여 알려지지 않은 샘플의 화학적 특성을 추정할 수 있습니다. 예를 들어, 근적외선 분광계는 최근 젖소14 및 인간15 우유의 구성 분석에 적용되었습니다.

일반적으로 교정 모델을 통해 얻은 결정은 일련의 훈련 샘플에서 제공되는 이전 지식을 기반으로 합니다. 따라서 최적의 예측 결과를 얻기 위해 훈련 세트에서 발견된 테스트 샘플의 변형을 추정할 수 있습니다. 따라서 훈련 샘플은 교정 모델의 예측 성능을 크게 특성화할 수 있습니다. 그러나 최종 공정 샘플의 변형이 예상되지 않고 제한되어야 하는 생산 공정에서는 제조 공정의 최종 제품에 정확하고 강력한 교정 모델을 개발하기 위한 훈련 세트를 설정하기에 충분한 변동성이 포함되지 않을 수 있습니다. 예를 들어, 실험실에서 준비된 분말 형태의 훈련 샘플은 최종적으로 압축되어 정제로 만들어진 최종 공정 샘플과 비교할 때 물리적 구조가 서로 달랐습니다. Sarraguça와 Lopes16은 분말 형태의 실험실 규모 샘플을 사용하면 생산 공정에서 생산된 정제 샘플보다 더 정확한 예측 결과를 제공했다고 보고했습니다. 또한, Peerapattana 등17은 유리병에 보관된 망고스틴 과피 분말 샘플이 투명 캡슐에 보관된 샘플과 비교하여 알파-망고스틴 함량 예측에 대한 더 나은 예측 결과를 가져온다는 것을 관찰했습니다.

99% purity, RCI Labscan, Bangkok, Thailand) and lactose (analytical grade, > 99% purity, KEMAUS, NSW, Australia) were added to the milk powder according to the coded values of the CCD structure presented in Table 2. Then, a combination of the three CCD model samples was used to construct the training set, which resulted in a total of 27 milk samples. The use of the CCD structure was to ensure that the variation in the recorded NIR spectra was related to the concentrations of the sugars in the milk samples and that the number of training samples was sufficient for establishing the prediction models23. Samples I1, I2, and I3 were used to establish internal validation samples, while the variations in the sugar contents were also generated based on the CCD model. Therefore, 27 additional milk powder samples were used to construct the internal validation set. Samples E1–E7 were used as the external samples to represent the independent test set. These were utilized to evaluate the performance of the calibration models when real samples were introduced./p>