《LWT》：Chemometric-assisted Near-Infrared Spectroscopy (NIRS) for rapid biochemical profiling and diversity assessment in Job’s tears (
Coix lacryma-jobi)
编辑推荐：
本研究针对营养丰富的古老谷物薏苡大规模快速分析工具缺乏的空白，采用多元统计分析结合近红外光谱(NIRS)技术，对119份种质进行14种生化性状评估，建立了NIRS预测模型，实现了蛋白质(RSQval=0.95)、膳食纤维(RSQval=0.81)等关键营养参数的高精度、非破坏性快速预测。该研究为薏苡的高通量营养筛选、品质育种及功能性食品开发提供了高效、可靠的技术框架。
薏苡，一种古老而神秘的谷物，在亚洲的田野中静静地生长了数千年。它被誉为“药食同源”的珍宝，在传统医学和民间饮食中享有盛誉。现代科学也揭示了它的营养价值：富含淀粉、蛋白质、膳食纤维，以及多种抗氧化物质。然而，这个潜力巨大的作物却面临着“养在深闺人未识”的困境，长期以来被视为一种未被充分利用的资源。其中一个核心瓶颈在于，我们缺乏高效、快速的方法来深入评估其丰富的遗传多样性，特别是其内在的营养品质差异。传统的化学分析方法虽然准确，但过程繁琐、耗时费力，并且会破坏宝贵的种质样本，这极大地限制了我们对大量薏苡种质资源进行系统评价和筛选的能力。如果我们无法快速、准确地“读懂”每一粒薏苡种子的营养密码，又如何能有效地进行品种改良，或是为不同健康需求开发定制化的功能性食品呢？这一难题，如同横亘在薏苡研究与产业化之间的一道沟壑。
为了架起这座桥梁，一组来自印度国家植物遗传资源局的研究人员开启了一项开创性的工作。他们试图将先进的近红外光谱技术（NIRS）与强大的化学计量学（Chemometrics）分析方法相结合，为薏苡打造一套前所未有的“快速体检”系统。这项研究旨在回答两个关键问题：第一，来自不同地区的薏苡种质，其内在的营养成分到底有多大差异，呈现出怎样的多样性模式？第二，我们能否利用近红外光谱这种“无痛、无创”的光学指纹，来快速、可靠地预测其关键营养成分的含量，从而替代传统的破坏性化学分析？他们的研究成果最终发表在国际知名食品科技期刊《LWT - Food Science and Technology》上，为薏苡乃至其他作物的高通量表型分析提供了范本。
研究人员开展这项综合研究，主要运用了几个关键技术方法。首先是建立了包含119份薏苡种质资源的代表性样本队列，这些样本来源于印度国家植物遗传资源局（ICAR-NBPGR）的区域站，确保了遗传背景的多样性。其次，对每一份样本进行了全面的“湿化学”分析，测定了包括水分、灰分、淀粉、蛋白质、膳食纤维、粗脂肪、总酚、黄酮、抗氧化活性（FRAP法）及多种矿物质在内的14项生化性状，构建了可靠的参考数据集。研究的核心是采用了近红外反射光谱技术，使用FOSS NIRS? DS3光谱仪获取了所有样本在400-2500纳米波长范围内的光谱信息。最后，研究人员运用了多元统计分析（如主成分分析PCA、聚类分析、相关性分析）和化学计量学建模方法，特别是结合了光谱预处理技术和偏最小二乘回归（PLS Regression），来探索数据内在规律并建立NIRS预测模型。
光谱特征揭示化学成分基础
研究首先获取了所有119份薏苡样品粉的近红外光谱。分析发现，光谱在1467纳米、1932纳米、2108纳米以及2289-2346纳米区域存在明显的吸收峰。这些峰位并非随机，它们与样品中特定化学键的振动息息相关。例如，1467纳米处的峰与O-H或N-H键伸缩振动的第一倍频相关，常指示水分或蛋白质中的酰胺基团；1932纳米处的强吸收则与O-H的伸缩和弯曲组合振动有关，是水分的特征信号；2108纳米处的吸收主要归因于蛋白质中N-H键的伸缩振动；而2289至2346纳米区域的吸收峰簇则与脂质中C-H键的组合及第二倍频振动密切相关，反映了薏苡油脂中丰富的脂肪酸组成。这些光谱特征为后续基于光谱差异进行成分预测和品种区分奠定了物理化学基础。
多元分析展现显著营养多样性
通过对14项生化性状的测定数据进行统计分析，研究揭示了薏苡种质间广泛的营养变异。例如，蛋白质含量变化范围在11.1至23.3克/100克之间，平均值达16.2克/100克，凸显了其作为蛋白质来源的潜力。淀粉作为主要成分，平均含量为52.6克/100克。膳食纤维、总酚、黄酮及抗氧化活性等也表现出显著差异。基于这些生化数据的主成分分析成功地将前四个主成分的累积方差贡献率提升至70.4%，其中第一主成分贡献了28.4%的变异，主要与膳食纤维、粗脂肪（正载荷）以及淀粉、蛋白质（负载荷）相关；第二主成分贡献了19.4%，与蛋白质、总酚、黄酮含量高度正相关。这清晰地表明，不同薏苡种质在“高淀粉-高纤维/脂肪”以及“高蛋白-高抗氧化物质”两个主要营养轴上存在显著分化。
进一步的聚类分析结合热图，将119份种质划分为四个具有不同营养特征的类群。第一类以高淀粉和高总可溶性糖为特征，但蛋白质和抗氧化物质含量较低；第二类各项成分较为均衡；第三类富含水分、膳食纤维、粗脂肪和抗氧化活性；第四类则表现出高蛋白和高酚类物质含量，同时淀粉和糖分水平适中。这种系统性的分组表明，薏苡种质资源的营养多样性并非随机，而是存在可被识别的固有模式，这为针对特定营养目标的育种和资源利用提供了清晰指引。
相关性分析进一步揭示了各性状间的内在联系。例如，总酚含量与抗氧化活性（FRAP）呈极强的正相关，这与酚类物质的还原能力一致。淀粉与膳食纤维之间则存在显著的负相关，反映了籽粒中碳储存（淀粉）与结构成分（纤维）之间的资源分配权衡。这些关联性为理解薏苡籽粒代谢的协同与拮抗关系提供了线索。
NIRS模型实现关键性状精准预测
本研究的核心突破在于成功建立并验证了用于预测薏苡关键营养成分的近红外光谱模型。研究人员采用了标准正态变量变换、去趋势校正、Savitzky-Golay平滑等多种光谱预处理技术来优化信号，并结合偏最小二乘回归进行建模。模型预测性能通过独立验证集进行评估，主要指标包括验证集决定系数、残差预测偏差和预测标准误。
结果显示，对于蛋白质的预测达到了极佳的精度，验证集决定系数高达0.95，残差预测偏差为4.64，表明模型具有出色的定量预测能力。膳食纤维的预测同样表现优异。对于淀粉、总可溶性糖、水分和灰分等性状，模型也表现出良好或可接受的预测能力。在矿物质预测方面，锌和钙的模型预测精度较高，而铁和铜的预测能力相对一般。然而，模型对粗脂肪的预测性能较差，对总酚和黄酮等次生代谢物的预测能力也仅为中等水平。研究人员分析，这可能是由于脂肪含量本身较低，其在近红外区的吸收信号较弱且易受干扰；而酚类、黄酮类物质的芳香环结构在近红外区的吸收特征不明显，加之参考化学分析本身可能存在变异，共同限制了模型精度。
为了确保预测结果的可靠性，研究还进行了信度检验。使用Cronbach‘s α系数和Pearson相关系数评估了NIRS预测值与参考值之间的一致性。对于蛋白质、淀粉、膳食纤维、锌、钙等性状，信度系数均高于0.90，表现出高度的一致性，进一步证实了所建立模型的稳定性和可靠性。
综上所述，这项研究成功地将多元统计分析、传统化学分析与现代近红外光谱技术深度融合，对薏苡种质资源进行了一次系统而深入的“营养普查”。研究不仅定量揭示了薏苡种质间广泛存在的营养多样性，并识别出不同的营养类型，更重要的是，建立了一套高效、非破坏性的近红外光谱快速预测体系。该体系能够以高精度预测蛋白质、膳食纤维、锌等关键营养参数，为薏苡的高通量育种筛选、种质资源评价、以及功能性食品原料的品质控制提供了强有力的技术工具。尽管在预测粗脂肪和部分次生代谢物方面仍面临挑战，但本研究无疑为解锁薏苡这一“被遗忘的谷物”的巨大潜力铺平了道路。它架起了一座连接传统种质宝藏与现代精准农业、食品工业的桥梁，使得快速鉴定优质营养型品种、定向培育满足特定健康需求的新品系成为可能，从而推动薏苡从一种区域性作物，迈向更广阔的营养安全和功能食品市场。
