考虑实验和商业样品的酸面团面包近红外光谱鉴别策略

《Food Control》:Strategies for sourdough bread authentication by NIR spectroscopy considering experimental and commercial samples

【字体: 大 中 小 】 时间:2026年06月16日 来源:Food Control 6.3

编辑推荐:

  本研究评估了近红外(NIR)光谱结合化学计量学根据所用膨松剂(即酸面团(SD)与面包酵母(BY))鉴别面包的潜力,考虑了面包皮和面包瓤两种采集配置。收集了一个全面的数据集,包括实验面包(n=84),旨在涵盖酸面团面包的最大可能变异性,以及商业样品(n=62)。

  
本研究评估了近红外(NIR)光谱结合化学计量学根据所用膨松剂(即酸面团(SD)与面包酵母(BY))鉴别面包的潜力,考虑了面包皮和面包瓤两种采集配置。收集了一个全面的数据集,包括实验面包(n=84),旨在涵盖酸面团面包的最大可能变异性,以及商业样品(n=62)。通过主成分分析(PCA)的探索未显示SD和BY面包之间的清晰聚类,而观察到实验和商业样品之间的系统性差异。因此开发了偏最小二乘判别分析(PLS-DA)模型。在第一种方法中,仅在实验面包上校准的PLS-DA在定标域内表现出色,但未能推广到商业样品。然后,测试了第二种校准方法,将实验和商业样品合并到单个数据集中。PLS-DA模型显示出更稳健的SD和BY面包区分能力,对SD类别的敏感性高于特异性。这是可取的,因为酸面团产品具有更高的附加值,并且需要有效防止误标和欺诈。对于面包瓤和面包皮采集,获得了可比的分类性能,支持NIR传感器在不同实际条件下的适用性,包括分析切片或整个面包。这些结果证实了NIR光谱用于面包鉴别的适宜性,通过纳入广泛的酸面团配方和商业产品扩展了先前的研究,同时强调了在对复杂和非均质食品基质建模时代表性校准集的必要性。
酸面团面包因其天然、健康属性而广受欢迎,但缺乏统一的立法定义与保护,导致市场中存在误标和欺诈风险。传统的鉴别方法(如pH、滴定酸度及有机酸含量)因受发酵工艺和原料影响较大,诊断能力有限。为此,研究人员开展了一项旨在评估近红外(NIR)光谱结合化学计量学鉴别酸面团(SD)面包与面包酵母(BY)面包能力的研究。通过制作涵盖多种酸面团类型(Ⅰ型、Ⅱ型、Ⅲ型)、添加比例及发酵条件的实验面包(n=84),并收集来自手工及工业面包房的商业面包(n=62),构建了广泛的数据集。研究得出以下主要结论:当建模数据仅包含实验面包时,模型在定标域内表现优异,但对商业样品泛化能力差;而将实验与商业样品合并后,偏最小二乘判别分析(PLS-DA)模型实现了更稳健的区分,对SD类别的敏感性高于特异性,符合保护高附加值酸面团产品的需求。面包瓤与面包皮两种光谱采集方式均获得了可比分类性能,表明NIR传感器适用于切片或整条面包等多种实际场景。该研究发表在《Food Control》,证实了NIR光谱用于面包鉴别的潜力,同时强调了代表性强校准集的重要性。

本研究采用的关键技术方法主要包括:使用傅里叶变换红外光谱仪(Nicolet iS50)在反射模式下采集NIR光谱,范围12,500–4,000 cm-1,分辨率8 cm-1,32次扫描,分别获取面包瓤和面包皮的光谱数据。光谱预处理采用Savitzky–Golay平滑(15点窗口,二阶)、标准正态变量(SNV)和均值中心化(MC)。通过主成分分析(PCA)进行无监督数据探索,利用Hotelling’s T2和Q统计评估样本一致性。监督分类模型基于偏最小二乘判别分析(PLS-DA)构建,采用分层划分将数据分为校准集(70%)和验证集(30%),并通过蒙地卡罗交叉验证(20%样本剔除,重复100次)优化模型维度。模型性能以敏感性、特异性和准确率评估,并计算变量重要性投影(VIP)评分识别关键波数区域。样本来源方面,实验面包于巴里大学Aldo Moro的DiSSPA中试工厂生产;商业面包收集自意大利南部的手工和工业面包房。

**3.1. 酸面团和Biga表征**
通过实验室制备的Ⅰ型、Ⅱ型酸面团及三种Biga(预发酵面糊)进行微生物与生化分析,结果显示:Ⅰ型酸面团pH值3.85–3.95,乳酸菌(LAB)计数8.58–9.07 log CFU/g,酵母5.93–6.14 log CFU/g,有机酸与游离氨基酸含量稳定,证实为成熟稳定的酸面团。Ⅱ型酸面团(接种植物乳杆菌Lactiplantibacillus plantarum和Furfurilactobacillus rossiae)pH更低(3.50–3.69),总滴定酸度(TTA)更高,乳酸占主导。Biga以酿酒酵母发酵,pH较高(5.32–5.66),有机酸含量极低,LAB和酵母计数符合预期。

**3.2. 实验和商业面包表征**
对实验和商业面包进行pH、TTA、乳酸及乙酸浓度测定。对照组(BY面包)pH高、酸度低,化学酸化面包模拟了酸面团酸度。含Ⅰ型、Ⅱ型、Ⅲ型酸面团的面包酸度随添加量和发酵时间变化。商业面包中有52个酸面团产品和10个非酸面团产品,其乳酸和乙酸分布显示酸面团面包的乳酸中位浓度显著高于非酸面团面包,乙酸也呈现类似趋势,非酸面团面包中乙酸水平较高可能源于工业配方中为延长保质期而添加。

**3.3. NIR光谱、探索和建模**
NIR光谱采集后,分别对面包瓤和面包皮数据集独立处理。PCA分析未发现SD和BY面包的清晰聚类,但实验与商业样品间存在系统性差异,尤其在面包皮数据中更明显。为此,采用两种PLS-DA建模策略。

**3.3.1. 基于面包瓤采集的判别模型结果**
仅以实验面包为校准集时,模型在校准、交叉验证及实验面包预测中敏感性、特异性接近1,准确率96–97%。但用于分类商业面包时,特异性仅0.50,准确率73%,大量BY商业样品(如BI3、BI4等因异常高酸度)被误判为SD。通过Hotelling’s T2和Q统计投影分析,商业样品的高Q值表明其光谱特征不在校准集模型范围内。采用第二种方法(实验与商业面包合并)后,模型性能显著提升:校准集敏感性0.97,特异性0.96,准确率97%;验证集敏感性1.00,特异性0.82,准确率95%。VIP评分显示关键波数区域为4,000–5,500 cm-1(C=O、CH、OH、NH组合带)和6,400–7,200 cm-1(CH第一泛音组合)。

**3.3.2. 基于面包皮采集的判别模型结果**
面包皮光谱中约4,700 cm-1的吸收峰(酰胺、淀粉和多糖)较面包瓤更明显。PCA显示商业与实验样品分离更显著。第一种方法(仅实验面包建模)同样在校准集表现优异,但对商业样品性能差(敏感性0.64,特异性0.40,准确率60%)。第二种合并数据集方法获得与面包瓤相似的最佳结果:校准集敏感性0.97,特异性0.96;验证集敏感性1.00,特异性0.82,准确率95%。VIP评分中关键波数区域与面包瓤一致。

**3.4. 酸面团面包鉴别:超越当前框架的进展**
讨论指出,现有鉴别方法(如qPCR法虽准确但依赖实验室设备)不如NIR光谱快速无损。本研究相比前期工作(如Lombardi等人2025年仅用18个样品),通过扩大样品多样性(纳入Ⅱ型、Ⅲ型酸面团及Biga面包),更贴近真实市场。结果证实NIR光谱结合代表性校准集可作为酸面团面包鉴别的实用工具,并强调了数据集涵盖广泛变异性的必要性。

**总结讨论部分**:研究表明,酸面团体系的固有异质性(配方、发酵条件多样)是模型泛化的主要挑战,数据集代表性至关重要。仅实验面包训练的模型转移性有限,而包含商业样品后性能显著改善。NIR传感器的灵活采集方式(面包皮或面包瓤)支持不同工业场景。未来需进一步扩展数据变异性并提升模型稳健性,以实现常规和工业级应用。

**研究结论翻译**:
NIR光谱被证明能够有效建立分类模型,根据膨松剂(酸面团vs面包酵母)区分面包。值得注意的是,模型对SD类别的敏感性高于特异性,考虑到酸面团面包的高附加值以及最大限度降低该类欺诈风险的需求,这是一个理想的结果。同时,结果突显了酸面团鉴别仍是一项复杂任务。酸面团体系的内在异质性(源于多样配方和发酵条件)是模型泛化的主要挑战。在此背景下,数据集代表性成为关键因素。仅由实验面包训练的模型转移性有限,而包含更广泛、更具代表性的数据集显著提升了预测性能,尤其适用于商业产品。除分类性能外,本研究还展示了NIR方法的实用灵活性——无论采集模式(面包皮或面包瓤)均获得可靠模型,支持NIR传感器在不同采样条件和工业场景中的适用性。总体而言,这些发现表明,稳健的酸面团鉴别不仅需要合适的分析工具,更需要精心设计的代表性数据集。未来应聚焦于进一步扩展数据集变异性并改进模型稳健性,以充分实现NIR光谱在常规和工业应用中的部署。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号