《Meat Science》：Beef quality grading using rapid evaporative ionization mass spectrometry (REIMS)
编辑推荐：
牛肉感官质量与代谢特征基于REIMS的快速分级研究，通过OPLS-DA模型分析臀肉（63样本）和腰肉（57样本）的代谢物差异，准确区分肌肉类型达100%，与运输距离、胴体特性（胴体重、EUROP体型、MSA大理石评分）及实验室指标（IMF、WBSF、压缩力）强相关（R2 0.86-0.94），感官评分模型对臀肉的预测准确率达63.3%-73.3%，而腰肉模型表现不佳。代谢特征显示臀肉侧重蛋白酶解与能量代谢，腰肉关联脂代谢。REIMS为肌肉特异性肉品评级提供快速替代方案。
崔雅芳|林达·S·珀金斯|刘静晶|阿拉斯泰尔·B·罗斯|王京尧|贾文阳|埃泽基尔·豪尔赫-斯梅丁|阿利克斯·内沃|伊莎贝尔·勒格朗|玛丽-皮埃尔·埃利斯-奥里|尼格尔·D·斯科兰|让-弗朗索瓦·霍克特
法国INRAE，UMRH，泰克斯，63122圣热纳斯-尚帕内勒
摘要
快速蒸发电离质谱（REIMS）技术能够实时分析完整的牛肉组织中的代谢物，从而潜在地预测肉体的特征和质量。本研究使用REIMS技术测量了来自特定生产系统的66头利穆赞牛的两种肌肉（臀部肌肉m. gluteus medius，RMP，n = 63）和里脊肉m. longissimus thoracis，STR，n = 57），这些肌肉已经饲养了10天。REIMS的输出数据被用来通过正交偏最小二乘结构判别（OPLS-DA）方法开发分类和预测模型。研究的变量包括肉体特征（运输距离、肌肉类型、EUROP构型、胴体重量、澳大利亚肉类标准（MSA）大理石花纹评分）、实验室测量值（肌肉内脂肪（IMF）含量、沃纳-布拉特勒剪切力（WBSF）和感官特征（未经培训的消费者评分以及计算出的肉质评分MQ4）。这些变量根据中位数被分为两组。REIMS能够准确区分RMP和STR肌肉（测试准确率为100%），并且与运输距离、肉体特征和实验室测量值有很强的相关性（R2Y = 0.86–0.94；Q2 = 0.55–0.78；测试准确率 = 41.7%–66.7%）。对于感官质量特征，基于RMP的模型测试准确率为63.3%–73.3%，而基于STR的模型未能可靠地预测任何特征（测试准确率<60%）。REIMS特征的初步识别反映了这两种肌肉之间不同的内在代谢特性。RMP的感官质量特征主要受参与蛋白质分解和能量代谢的分子影响，而STR的特征则主要与脂质代谢相关。这些结果表明，REIMS是一种快速、特定于肌肉的评估工具，为传统的胴体分级和牛肉感官质量评估提供了有前景的替代方案。
引言
准确预测牛肉的食用质量以提高消费者满意度有助于缓解欧洲牛肉消费量的下降趋势（Legrand等人，2016年）。一种有前景的方法是在欧洲背景下开发牛肉食用质量的预测模型，借鉴澳大利亚肉类标准（MSA）系统的原则（Hocquette等人，2018年）。这种方法已在法国应用于基于利穆赞品种的优质牛肉品牌OR ROUGE中（Santinello等人，2024年）。在MSA系统中，经过培训的专家分级员评估与牛肉质量密切相关的关键控制点，包括动物品种、运输、屠宰前条件、胴体处理和屠宰后加工（Bonny等人，2018年）。该系统还纳入了消费者对肌肉切块的满意度指标（Bonny等人，2018年）。然而，MSA系统依赖于人工分级，这不可避免地会导致一定程度的无意识偏见和评分错误（Jang等人，2017年）。为了降低劳动力成本并减少分级员的偏见，已经开发了客观测量技术，包括SCiO?（NIRS）（Kombolo-Ngah等人，2023年）、Meat@ppli（图像分析）（Meunier等人，2021年；Normand等人，2022年）和REIMS（Balog等人，2013年）。与主要针对大理石花纹和肌肉内脂肪（IMF）的SCiO和Meat@ppli不同，REIMS能够通过捕获和表征脂质和代谢物谱型来区分不同水平的肉质（Liu等人，2024年；Zhang等人，2022年）。
REIMS是一种常压电离技术，能够直接、以最小程度的破坏性对样本进行采样，并实时检测其质谱指纹（Jones等人，2019年）。该技术最初是为手术中实时识别肿瘤边界而开发的（Balog等人，2015年），最近在肉类科学领域得到了广泛应用（Ross等人，2021年）。与传统色谱-质谱方法不同，REIMS不需要样品预处理，也不需要在检测前分离化合物。这样得到的“指纹”基于从样品气溶胶中检测到的分子的高质量（通常使用电子刀或激光生成）（Ross等人，2021年）。在牛肉研究中，REIMS已经显示出区分多种质量相关属性的能力，包括生牛肉和熟牛肉汉堡中的杂质掺假（Black等人，2022年）、肌肉切割类型（Liu等人，2024年；Song等人，2024年）、老化机制（Zhang等人，2021年）、有机状态（Robson等人，2022年）、新鲜状态与冷冻解冻状态（He等人，2021年）以及美国农业部质量等级（Gredell等人，2019年）。尽管如此，很少有研究将REIMS应用于牛肉感官质量的表征。一项研究表明，REIMS能够基于切片剪切力（SSF）区分嫩度，准确率为81.4%–90.8%（Gredell等人，2019年）。另一项研究证实了其区分沃纳-布拉特勒剪切力（WBSF）测量的嫩度的能力，而感官小组评估的嫩度、多汁性和风味方面的准确率在81%到94%之间（Hernandez-Sintharakao等人，2023年）。最近的研究表明，REIMS在牛肉感官质量分类方面的总体准确率超过70%（Perkins等人，2025年）。关于基于MSA原则开发欧洲牛肉评估系统的最相关研究是由Liu等人（2024年）进行的。结果表明，REIMS可以分类肌肉类型（71%）、风味喜好（99%）和多汁性（99%），这些是由未经培训的消费者评估的。然而，该研究指出REIMS在分类大理石花纹评分、消费者评估的嫩度和MSA质量等级方面的效果较差，准确率低于50%。此外，大多数这些模型缺乏预测能力。有效的数据减少和模型的独立验证是提高基于REIMS的预测系统稳健性和可靠性的关键步骤（Ross等人，2021年）。建议通过先进的数据分析技术进一步优化REIMS的分类和预测性能。
因此，这项针对利穆赞牛的研究的主要目标是利用REIMS指纹技术：（1）根据运输距离、肌肉类型、胴体特征和感官质量区分牛肉；（2）通过实施变量筛选和独立验证来开发一个稳健的预测模型；（3）通过REIMS分析确定负责区分的关键代谢物。
章节摘录
动物、胴体和肉样
本研究使用了由法国利摩日CV Plainemaison Aquitaine（Beauvallet集团）提供的66头利穆赞牛。这些动物根据它们运输到屠宰场的距离被分为两个区域：短距离（≤ 50公里，n = 32，来自9个独立的运输批次）和长距离（50–150公里，n = 34，来自10个独立的运输批次）（图1）。每个批次代表一次运输中一起运输的动物。
肌肉类型分类和预测
REIMS分析清楚地区分了RMP和STR肌肉。模型显示出很强的分类能力（R2Y ≥ 0.93）和预测能力（Q2 ≥ 0.92）（表4）。使用最终训练模型的特征构建的PCA图在PC1轴上有明显的分离，解释了总变异的30.1%（图2A）。独立测试集的预测OPLS-DA图分布与训练集非常相似（图2B）。预测准确率达到100%（表4）。
结论
这些发现表明，REIMS能够有效区分具有不同特征和不同感官质量的牛肉，显示出特定于肌肉的性能。通过变量减少，REIMS的预测能力得到提高，对于胴体重量、构型和大理石花纹评分模型的测试准确率超过了70%。对于感官质量模型，基于RMP的模型测试准确率在66.3%到73.3%之间。
CRediT作者贡献声明
崔雅芳：撰写 – 审稿与编辑，撰写 – 原稿，方法学，正式分析，数据管理。林达·S·珀金斯：撰写 – 审稿与编辑，验证，方法学，正式分析，数据管理。刘静晶：撰写 – 审稿与编辑，验证，方法学。阿拉斯泰尔·B·罗斯：撰写 – 审稿与编辑，验证，方法学。王京尧：撰写 – 审稿与编辑，验证，方法学。贾文阳：验证，方法学。埃泽基尔·豪尔赫-斯梅丁：撰写 – 审稿与
利益冲突声明
作者声明他们没有已知的财务利益或个人关系可能影响本文报告的工作。
致谢
作者感谢INTAQT项目提供的欧盟“地平线2020”研究和创新计划资助，资助协议编号为101000250。崔雅芳获得了中国留学基金委员会（CSC）和中国农业大学的牛肉研究中心（BCRC）的资助。非常感谢BCRC的周教授和孟教授在建立这一合作中的贡献。阿拉斯泰尔·B·罗斯博士的工作得到了国际
