近红外光谱技术在预测鸡肉化学成分和分类中的应用

《Veterinary and Animal Science》：Near-infrared spectroscopy for predicting chemical composition and classifying local chicken meat

　　娜迪亚·斯托帕尼|埃莱娜·阿尔巴内尔|瓦莱里亚·赞博托|基娅拉·比安基|多明加·索利亚|阿基莱·斯基亚沃内|卡门·L·马努埃尔安
都灵大学兽医科学系，意大利都灵格鲁利亚斯科，10095 Largo Paolo Braccini 2

**摘要**
本研究测试了近红外（NIR）光谱技术在预测肉质以及区分当地鸡品种的鸡肉部位、性别和饲料类型方面的应用效果。60只雏鸡（包括雄性和雌性）在相同条件下饲养至120天大，随后被分为两组：一组喂养低脂饲料（LL， ether extract 含量为3.85%），另一组喂养高脂饲料（HL， ether extract 含量为9.49%）。在150天时，采集了胸部和腿部样本，并使用湿化学方法测定了物理性状（pH值和颜色）以及近似营养成分（水分、粗蛋白（CP）、ether extract 和灰分）。样本被整体扫描、研磨后冷冻干燥，使用台式NIR光谱仪（1100-2500 nm）进行分析。分别基于鲜样和干样数据建立了预测模型。对外部验证（70/30比例划分）应用于pH值、黄色度、ether extract 含量和灰分指标；而对于红色度、亮度、水分和粗蛋白，则分别进行了交叉验证。模型性能通过验证集（R2VAL）和交叉验证集（R2CV）的决定系数以及性能与偏差比（RPD）进行评估。结果表明，物理性状和灰分的预测能力较弱（R2VAL 和 R2CV < 0.68；RPD < 1.74），而化学性状，尤其是冷冻干燥后的ether extract 含量，显示出优异的预测能力（R2VAL > 0.95；RPD > 3）。偏最小二乘判别分析能够完美区分鸡肉部位（100%），性别鉴定准确率也较高（> 89%），但饲料类型的区分能力有限（< 67%）。总体而言，NIR光谱技术作为一种快速、非破坏性的工具，在预测鸡肉的重要化学品质指标（如蛋白质含量和ether extract 含量）方面展现出巨大潜力，有助于提高当地禽产品生产的可追溯性。

## 1. 引言
近年来，消费者对禽肉质量的关注度显著提高，从而增加了对采用替代饲养方法生产的禽产品的需求（Franzoni等人，2021年）。此外，消费者对本地品种的兴趣有助于保护这些具有重大环境和社会文化价值的本地鸡种，因为它们对当地社区有益，同时也能回应越来越多注重动物福利的消费者对集约化养殖系统负面影响的担忧。在这种背景下，人们对本地鸡品种的科学研究和商业应用越来越关注。本地鸡品种通常生长速度较慢，饲养周期较长，其肉质符合消费者对更高动物福利和传统生产方式的期望。其中，Bionda Piemontese（BP）是意大利西北部皮埃蒙特地区的本土鸡种，其特征包括浅金色羽毛、雄鸡的单个红色鸡冠、雌鸡鸡冠向后弯曲、肉垂和耳垂为红色以及黄色腿部。尽管该品种被归类为多用途品种，但主要用于肉用生产，五个月龄时雄鸡的胴体重量可达1.8公斤，雌鸡为1.3公斤（Bongiorno等人，2022年）。由于其较低的屠宰率，该品种被认为是生长缓慢的鸡种（Soglia等人，2020年）。然而，本地慢生长品种具有独特的成分和质地特征，这些特点使其肉质具有独特性（Cappone等人，2026年）。因此，这种独特的品质加上慢生长特性导致生产成本较高，使得这种鸡肉对部分消费者来说较为昂贵。

肉质是一个广泛的概念，涉及对多种特性的评估，如肉色、pH值、滴水损失、肌肉内脂肪含量及其营养价值（包括蛋白质、ether extract 含量和水分含量）（Baéza等人，2022年；Xiao等人，2024年）。传统的肉质测定方法存在破坏性强、劳动密集、成本高且耗时的缺点，不适合本地禽类产品交易（Barbin等人，2015年）。因此，近红外（NIR）光谱技术作为一种更高效的替代方法受到了关注。NIR光谱技术广泛应用于定量分析，可快速检测动物和植物产品中的蛋白质、水分和脂肪等化学成分（Stuart，2004年；Yang等人，2021年）。在禽业中，基于化学成分和物理参数的NIR分析模型主要应用于肉鸡品种（Fodor等人，2024年）。由于商业品种和本地品种的肉质存在显著差异，评估这些模型的适用性也非常重要（Cappone等人，2026年）。此外，判别分析技术有助于验证和控制样品的掺假和纯度（Murray等人，2001年）。NIR技术在区分不同肉类种类（Thyholt等人，1998年；McElhinney等人，1999年；Cozzolino & Murray，2004年）以及商业食品分类（Hervás等人，1994年；Fumière等人，2000年）方面也显示出有效性。在禽业中，该技术已用于区分不同鸡肉部位（如胸部、腿部和腿膝部位）（Fumière等人，2000年；Nolasco-Perez等人，2018年）、生长速度不同的品种（Ding等人，1999年；McDevitt等人，2005年）以及不同饲料类型的鸡（McDevitt等人，2005年；Prieto等人，2009年）。对于本地鸡品种而言，这种分析方法可以实现快速肉质鉴定，有助于防止食品欺诈。

因此，本研究旨在评估NIR光谱技术在预测Bionda Piemontese鸡品种的肉质以及区分鸡肉部位、性别和饲料类型方面的潜力，该品种在皮埃蒙特地区最为常见（Castillo等人，2021年）。此外，还对不同形式的样本（完整样本、研磨样本和冷冻干燥样本）进行了NIR测量，以评估该方法的有效性并确定最佳的样本处理方式。

## 2. 材料与方法
### 2.1. 禽肉样本与采集
本研究使用了斯托帕尼等人（2025年）之前研究的同一批实验用鸡。共有60只Bionda Piemontese鸡，按性别平均分为30只雄性和30只雌性，分别喂食两种不同配方的饲料：低脂饲料（LL，ether extract 含量为3.6%）和高脂饲料（HL，ether extract 含量为9.3%）。这两种饲料的成分和化学组成与斯托帕尼等人（2025年）的报告一致。每个性别组每种饲料各重复三次，每次实验五只鸡。

鸡在150天龄时在商用屠宰场被屠宰。屠宰后24小时，将鸡切成四块，保留整条腿和半个胸肉用于后续分析。实验方案符合现行欧洲指令（2010/63/EU）关于科学实验用动物的护理和使用规定，并获得了都灵大学生物伦理委员会的批准（实验编号：251833）。

### 2.2. 物理化学分析
屠宰后24小时，按照斯托帕尼等人（2025年）的方法测量了所有胸部和腿部样本的pH值和颜色参数。分别使用Mettler-Toledo公司生产的SevenGO SG2TM pH计（瑞士施韦尔岑巴赫）和柯尼卡美能达公司生产的Minolta CR-200色度计（日本千代田）进行测量。随后将新鲜样本置于-20°C冷冻，并送往巴塞罗那自治大学农业与动物生产实验室（西班牙），解冻后在24小时内进行NIR光谱分析。所有样本均以三种形式进行处理：完整样本、研磨样本和冷冻干燥样本。

冷冻干燥后的样本根据AOAC International（2000年）标准测定了水分（#950.46）、粗蛋白（CP，#2001.11）和灰分（#920.153）含量；ether extract 含量（#960.39）则根据AOAC International（2003年）标准测定。所有化学分析均重复进行两次。近似营养成分结果以鲜样基（g/100 g）和干样基（g/100 g）表示。数据分布通过R软件生成的直方图进行可视化评估。

### 2.3. 近红外光谱分析
使用丹麦Hiller?d公司的NIRSystems 5000扫描仪（FOSS?）进行光谱分析，工作模式为反射模式。光谱范围为1,100至2,500 nm，光谱间隔为2 nm。胸部和腿部样本分别以三种形式进行NIR测量：完整样本、研磨样本和冷冻干燥样本。

解冻后24小时，准备新鲜完整样本进行光谱采集。扫描前去除表面皮肤的多余水分。从胸部和腿部特定位置切取8×5×1厘米的样本以减小变异。选择无骨和无肌腱的腿部样本，所有样本均用塑料薄膜包裹。图1展示了样本的切割部位和带有塑料薄膜的扫描装置。

然后手动去除腿部样本的骨头和主要肌腱，使用厨房搅拌机将新鲜胸部和腿部肌肉分别研磨10秒。每份研磨样本约5克，包裹在塑料薄膜中后进行NIR扫描（图2）。

最后，使用西班牙巴塞罗那LyoAlfa 15公司的Telstar?设备对研磨样本进行冷冻干燥。冷冻干燥的胸部样本先使用CT293 CyclotecTM 6500实验室研磨机（FOSS?，Hiller?d，丹麦）进行初步研磨，随后在高速（4 g/sec，叶轮转速10,000 rpm）下进一步研磨，通过直径1毫米的细筛网。尽管高气流具有自清洁效果，但为避免交叉污染仍需进行清洁处理。这种技术适用于处理脂肪含量低（最高10%）和水分含量低（最高15%）的样本。腿部干燥样本脂肪含量较高（最高10%），因此需要使用研磨机处理。为了提高研磨样本的均匀性，使用1.6毫米筛网过滤较大颗粒。随后使用直径35毫米的环形杯对冷冻干燥样本进行NIR扫描（图3）。

所有光谱数据均重复采集两次，共获得240条光谱（60只鸡×2个解剖部位×2次重复测量）。对于完整样本和研磨样本，采集过程中需将其翻转；对于冷冻干燥样本，则将样品杯相对于前一次扫描方向旋转约180°。

### 2.4. 化学计量分析
化学计量分析使用WinISI 4.10软件（Infrasoft International，美国宾夕法尼亚州波特马蒂尔达）进行（Albanell等人，2021年）。该软件专为处理光谱数据设计，可用于实现采集光谱数据的校准模型。如果预测模型足够准确，可即时获得每个样本的预测值。

初步的光谱数据分析确认样本之间无聚集现象，表明所有120条光谱均可用于建立pH值、ether extract 含量和灰分的预测模型。然而，颜色参数a*和L*、水分及粗蛋白在不同部位之间存在聚集。因此，pH值、ether extract 含量和灰分的预测模型采用外部验证方法，其中70%的样本用于校准（CAL）集，30%的样本用于验证（VAL）集。校准集和验证集在所有评估指标上的均值和标准差相似，确保变量在两组数据间均匀分布。另一方面，针对颜色参数a*和L*、水分以及CP的预测模型分别针对肉块（n = 60）和大腿部位（n = 60）进行了开发，这些模型基于交叉验证（CV）方法。校准方程是使用WinISI软件4.10版本的全光谱在全球方程程序中建立的。光谱数据和实验室参考值通过改进的偏最小二乘回归（MPLS）进行回归分析，所有样本的原始光谱在应用了几种散射校正（D、去趋势；SNV、标准正态变量；SNV+D；MSC、乘法散射校正）和导数（1,4,4,1；1,5,5,1；1,10,10,1；1,10,4,1；1,12,2,2；2,4,4,1；2,5,5,1；2,10,10,1；2,10,4,1；2,12,2,2）的组合后进行了预处理，从而得到了每个参数的40个回归方程。在建模之前处理数据非常重要，因为这可以减少由散射和方差引起的光谱波动（Pizarro等人，2004年）。最佳校准模型也是根据最低的标准校准误差（SEC）和预测标准误差（SEP）以及最高的决定系数（R2CAL、R2CV和R2VAL）来选择的（He等人，2013年）。此外，还计算了外部验证数据集中的偏差（预测值与参考值之间的平均差异）和斜率，这些值应分别接近0和1。一般来说，R2值在0.66到0.81之间表示对参考值的近似定量估计，0.82到0.90之间的值表示良好的估计，而大于0.91的值表示非常准确的估计。另外，还使用性能与偏差的比率（RPD）来评估校准性能，该比率是验证样本的标准差与SEP的比值。根据Williams（2014年）的研究，RPD ≤ 1.9的校准被认为是不合适的；2.0到2.4之间的值表示适合粗略筛选；2.5到2.9之间的值提供可以用于筛选的合理预测；而≥ 3.0的值表示良好的预测，可用于定量分析。

表1. Stoppani等人（2025年）提供的日粮成分（g/kg）和配方化学组成。
成分 LL HL
玉米粉 700 625
大豆粉 224 239
棕榈仁油 60 40
葵花籽油 40 40
碳酸钙 12 12
二钙磷酸盐 10 10
维生素-矿物质预混料 11 10
大豆油 55 55
甘蔗糖蜜 55 55
氯化钠 22 22
碳酸氢钠 11 11
可代谢能量（kcal/kg） 298 326
化学组成（配方）：

干物质（%） 88.66 86.51
粗蛋白（%） 17.00 17.00
灰分（%） 4.81 4.80
醚提取物（%） 3.85 9.49
粗纤维（%） 4.06 3.99

缩写：LL：低脂；HL：高脂
预混料包含以下营养成分（单位以每公斤日粮计）：维生素A，15,000 IU；维生素D3，3,000 IU；维生素E，25 IU；维生素K3，5 mg；维生素B1，2 mg；维生素B2，7 mg；维生素B6，4 mg；维生素B12，25 mg；泛酸，11.04 mg；烟酸，35 mg；叶酸，1 mg；生物素，15 μg；氯化胆碱，250 mg；铜，1.6 mg；锰，60 mg；锌，45 mg；铁，80 mg；碘，0.4 mg；硒，0.15 mg。

此外，还使用R软件v. 4.3.1以及“caret”和“waves”包（Kuhn，2008年；Hershberger等人，2021年）对NIR光谱进行了偏最小二乘回归-判别分析（PLS-DA），以分类鸡肉部位、性别和饮食处理。为了构建PLS-DA模型，数据集被分为训练集（70%）和测试集（30%），并根据考虑的变量（鸡肉部位、性别和饮食处理）平衡样本数量。化学计量模型评估包括了原始光谱数据以及应用12种不同校正方法后的光谱数据：标准正态变量（SNV）及其是否使用第一（SNVD1）或第二导数（SNVD2）；第一（D1）或第二导数（D2）；Savitzky-Golay（SG）平滑处理及其与SNV的组合（SNVSG）、第一导数（SGD1）以及第一或第二导数，窗口5和11（SG.D1W5；SG.D2W5；SG.D1W11；SG.D2W11）。最佳预测模型是基于最高的分类准确性选择的，在基于NIR的判别分析中，这一准确性通常在90%到95%之间（Cozzolino & Murray，2004年；Fumière等人，2000年）。

3. 结果
3.1. 光谱表征
图4显示了不同样本类型（肉块（图4A）、性别（图4B）和饮食处理（图4C）的平均光谱轮廓。完整样本和研磨样本的原始光谱相似，但完整样本的吸光度更高。另一方面，冻干样本的光谱与完整样本和研磨样本明显不同，由于水分去除导致吸光度降低，光谱模式主要由干物质成分驱动。此外，性别、鸡肉部位或饮食之间的光谱模式相似。在性别（图4B）和饮食（图4C）类别之间几乎观察到相同的吸光度，而对于完整样本和研磨样本，胸肉的吸光度高于大腿，而冻干样本的吸光度较低（图4A）。
下载：下载高分辨率图像（691KB）
下载：下载全尺寸图像
图4. 完整样本、研磨样本和冻干样本的平均光谱轮廓，以及主要红外带的信息。（A）按肉块（大腿和胸肉）分类；（B）按性别（雄性和雌性）分类；（C）按饮食处理（高脂和低脂饮食）分类。x轴表示波长范围（nm），y轴表示吸光度（Log1/反射率）。
3.2. 物理化学特性的分布
对数据分布的初步分析对于确保准确的NIR校准至关重要。在本研究中，肉块的作用非常显著，导致a*、L*、水分和CP的值形成了两个不同的簇（图5）。除了这些特性外，所有其他变量都被作为一个数据集进行分析。
下载：下载高分辨率图像（920KB）
下载：下载全尺寸图像
图5. 胸肉和大腿样本中收集的数据分布，包括pH值、颜色（a*：红色；b*：黄色；L*：亮度）、粗蛋白（CP）、醚提取物（EE）、灰分和水分。CP、EE和灰分以新鲜物质（FM）为基础表示。
3.3. 定量NIR预测方程
使用外部验证方法分析了数据集的pH值、b*、醚提取物（EE）和灰分含量的描述性统计信息，以开发预测模型（表2）。另一方面，表3显示了用于分别构建胸肉和大腿预测模型的数据集的a*、L*、水分和蛋白质（CP）的描述性统计信息。最佳预测模型是通过不同的数学处理和散射校正方法获得的（表4，表5）。
表2. Bionda Piemontese鸡肉新鲜肉（FM）中pH值、黄色（b*）颜色、醚提取物（EE）和灰分含量的校准和验证数据集的描述性统计信息。
空单元格 校准集（n = 96） 验证集（n = 24）
成分 平均值 ± 标准差
1 pH 5.78 ± 0.21 5.06 5.77 ± 0.18 5.41 6.20
b* 9.12 ± 2.68 3.22 13.72 8.67 ± 3.03 13.01
EE（g/100g FM） 2.57 ± 1.80 0.45 6.76 2.68 ± 2.15 0.51 6.59
灰分（g/100g FM） 1.14 ± 0.13 0.92 1.87 1.12 ± 0.11 0.90 1.28
1 标准差 2 最小值 3 最大值

表3. Bionda Piemontese鸡肉新鲜肉（FM）中红色（a*）颜色、颜色亮度（L*）、水分和粗蛋白（CP）含量的校准数据集的描述性统计信息。
空单元格 胸肉组（n = 60） 大腿组（n = 60）
成分 平均值 ± 标准差
1 a* -4.00 0.94 14.03 12.59 16.28 56.51 ± 2.38 51.69 64.30 45.91 ± 1.95 23.02 51.06
水分 70.77 ± 1.20 67.19 72.91 73.91 ± 0.24 73.52 74.79
CP（g/100g FM） 25.87 ± 1.25 23.43 29.29 19.62 ± 1.14 17.11 1.57
1 标准差 2 最小值 3 最大值

表4. 使用外部验证对完整样本、研磨样本和冻干样本的Bionda Piemontese鸡肉新鲜肉（FM）和干物质（DM）中的pH值、黄色（b*）颜色、醚提取物（EE）和灰分含量进行近红外光谱预测模型的拟合统计信息。
空单元格 校准 验证 特征 数学处理 散射校正
2 R2CAL R2CV SEC NVAL R2VAL 偏差 斜率 RPD
完整样本 1,4,4,1 D 93 0.69 0.11 0.59 0.13 -0.03 0.84 1.49
b* 2,5,5,1 SNV 93 0.58 1.67 0.45 1.67 24 0.51 -0.61 1.21 1.38
EE（FM） 1,4,4,1 SNV+D 93 0.84 0.74 0.75 1.00 23 0.71 1.12 0.09 1.02 1.88
EE（DM） 1,10,10,1 D 91 0.86 2.67 3.34 23 0.76 0.03 0.97 2.08
灰分（FM） 1,4,4,1 D 92 0.74 0.05 0.60 0.07 23 0.66 -0.00 1.07 1.72
灰分（DM） 1,4,4,1 D 95 0.39 0.22 0.20 0.25 23 0.40 -0.03 1.21 1.40
研磨样本 2,5,5,1 SNV 93 0.64 0.12 0.64 0.13 24 0.57 0.13 -0.03 0.74 1.39
b* 1,4,4,1 MSC 95 0.57 1.76 0.57 1.90 23 0.54 1.79 -0.10 0.98 1.69
EE（FM） 1,10,10,1 SNV+D 93 0.97 0.32 0.96 0.42 23 0.88 -0.12 1.02 2.89
EE（DM） 1,5,5,1 SNV+D 96 0.97 1.17 0.97 23 0.86 3.17 -0.27 1.03 2.65
灰分（FM） 1,12,2,2 SNV+D 91 0.06 0.70 0.06 23 0.71 -0.01 0.86 1.77
灰分（DM） 1,12,2,2 SNV+D 92 0.68 0.16 0.46 0.20 23 0.73 -0.03 1.01 1.91

3.3.1. pH、黄色（b*）和灰分的预测模型使用了完整样本的数据，显示出有希望的结果（R2CAL = 0.84对于FM，R2CAL = 0.86对于DM）。然而，只有EE（DM）的模型达到了RPD的阈值（R2VAL = 0.76；RPD = 2.08），适用于粗略筛选。尽管如此，在研磨样本中，预测模型相对于完整样本有所改进，RPD大于2.5，无论是对于FM（R2VAL = 0.88；RPD = 2.89）还是DM（R2VAL = 0.86；RPD = 2.65）。对于冻干样本，获得了更准确的预测模型，尤其是对于灰分（R2VAL = 0.82；RPD = 2.34基于FM，以及R2VAL = 0.75；RPD = 2.15基于DM）和EE含量（R2VAL = 0.95；RPD = 0.95基于FM，以及R2VAL = 0.75；RPD = 2.71基于DM）。相反，pH和黄色（b*）的预测模型在任何测试的样本类型中都没有达到可接受的准确性（表4）。
3.3.2. 对于完整样本，所有四个参数（a*、L*、水分和CP）的预测模型表现不佳（表5）。对于研磨样本，只有胸肉在DM中的CP含量达到了RPD的阈值（R2CV = 0.84；RPD = 2.53），被认为是适合筛选的。最佳预测模型是使用冻干样本获得的，用于预测胸肉的CP作为完整物质（R2CV = 0.89；RPD = 3.11），以及对于胸肉（R2CV = 0.97；RPD = 3.11）和大腿（R2CV = 0.97；RPD = 3.18）两者都是如此（表5）。
3.4. 判别分析
进行了判别分析，以测试NIR预测鸡肉部位（胸肉或大腿）、性别（雄性或雌性）和饮食处理（LL或HL）的能力。根据不同的样本制备和测试集，表6显示了每个类别（鸡肉部位、性别和饮食处理）的最佳判别模型。几种数学处理和散射校正方法导致了相似的分类模型性能（表6）。结果表明，应用多种散射校正后的NIR光谱进行PLS-DA分析在所有样本制备中具有100%的准确性。在性别判别方面，分析显示所有样本制备的准确性略低于鸡肉部位模型这个波长范围内的特征包括：水分子的吸收峰（大约在1450纳米，对应于O–H键的伸缩振动的第一泛音；以及在1940纳米，与O–H键的伸缩和弯曲振动有关）；脂质的吸收峰（1200–1250纳米、1720–1760纳米和2300–2340纳米，反映出C–H键的伸缩和变形模式）；以及蛋白质的吸收峰（2050纳米和2180纳米）（Cozzolino & Murray, 2004; Fodor et al., 2024）。因此，这个光谱窗口提供了关于肉类关键成分（如水分、脂肪和蛋白质）的宝贵信息，并突显了完整肉样、绞碎肉样和冻干肉样之间的结构差异。这些差异主要是由于水分子在近红外（NIR）区域的强烈吸收，同时也与样本的物理状态有关。样本的物理状态会影响NIR光谱，因为不同的组织结构会影响从样本中获取的信息，例如肌原纤维的折射率、肌红蛋白的含量、肌浆中的蛋白质沉淀情况、切割肉块的宏观表面反射特性以及肌节长度（Cozzolino & Murray, 2002）。特别是完整肉样往往显示出较高的表观吸光度，这可能是由于肌肉纤维的排列方式起到了光学波导的作用，促进了光在组织中的传播。这种效应源于光吸收和散射的共同作用：完整组织的结构异质性和水分的分布不均导致折射率不匹配，从而增加了光子的传播路径长度，进而提高了表观吸光度。因此，保持自然水分的完整肉样和绞碎肉样在与水相关的吸收峰上表现出更高的吸光度，而失去了大部分水分的冻干肉样则表现出较低的吸光度，其光谱特征主要由蛋白质、脂质和其他干物质成分主导。

4.2 样本分布对预测模型的影响
稳健的NIR校准模型需要包含广泛且具有代表性的数据集，以涵盖所有测量特征的变化范围，并且数据分布 harus均匀（Chariskou et al., 2022; Fernández-Cabanás et al., 2023）。足够的变异性使化学计量模型能够推广到新的样本上，并减少预测误差（Chu et al., 2005）。在肉鸡中，胸部肌肉和大腿肌肉在颜色（Dabbou et al., 2019）以及蛋白质和脂肪含量（Bongiorno et al., 2022）方面存在差异。这些差异可能导致数据分布的不同，从而影响模型的性能。当某个特定参数受到样本解剖位置的强烈影响时（如本研究中所观察到），合并不同部位的的数据集可能会导致预测模型的斜率发生显著变化。在这种情况下，为每种肌肉部位分别开发校准模型更为合适。例如，a*、L*、水分和CP等参数在胸部和腿部肌肉样本之间的分布就存在明显差异。根据解剖部位分离数据集有助于模型最小化由成分和结构异质性引起的噪声。另一方面，pH、b*、EE和灰分等参数在两种肌肉部位的分布较为相似，因此合并数据集不会影响预测模型的斜率，反而可以通过增加样本数量来提高模型的稳健性和稳定性（Ezenarro & Schorn-García, 2025）。因此，在模型开发之前评估每个参数的分布情况非常重要。

4.3 测量单位（鲜重或干重）对模型性能的影响
化学参数（如灰分、CP和EE）通常以干重为基础进行报告，尤其是在分析冻干样本时（Abeni & Bergoglio, 2001; Berzaghi et al., 2005; McDevitt et al., 2005）。然而，直接以鲜重（FM）为基础表达这些参数（g/100 g FM）具有实际优势，尤其是在合规性和消费者信息方面，因为这与肉类工业中商业标签上显示的营养价值表示方式一致（Fumière et al., 2000; Prevolnik et al., 2004）。在本研究中，同时使用了干重和鲜重单位来涵盖所分析的各种肉类制品，包括完整肉样、绞碎肉样和冻干肉样。这种双重方法使得校准模型的开发更加灵活和稳健，因为它考虑到了肉类不同物理状态所带来的变异性。总体而言，无论是以干重还是鲜重表示的所有化学参数都获得了非常相似的结果。然而，对于绞碎肉样和冻干肉样，只有以干重为基础表示CP时才能获得可靠的预测结果。这表明水分的缺失可能会影响蛋白质含量的准确性。此外，对于冻干肉样，以干重为基础表达结果更为合适，因为这样可以避免引入与水分校正相关的额外不确定性。

4.4 NIR模型在预测颜色和pH值方面的表现不佳
用于预测颜色和pH值的NIR模型未能达到Williams（2014）设定的标准阈值RPD ≤ 1.9，表明其预测结果不稳定且不可靠。其他研究也报告了类似的颜色预测不足的情况，这可能是由于这些因素的较大主观性（Abeni & Bergoglio, 2001; Prieto et al., 2009）。实际上，测量位置的选择可能引入了额外的变异性，进一步影响了结果的一致性。然而，使用更宽的光谱范围可以获得更准确的颜色预测结果。例如，De Marchi等人（2011）发现可见光-NIR光谱适用于预测完整鸡胸肉的a*（RCV = 0.88; RPD = 2.14）和b*（RCV = 0.93; RPD = 2.82）值，尽管L*值的预测不可靠（RCV = 0.69; RPD = 1.40）。因此，可见光谱（400–750纳米）可以成为肉类颜色表征的宝贵工具，尤其是在颜色坐标方面。所有样本类型的pH值也显示出类似的趋势。本研究中的低预测准确性与其他研究结果一致，这些研究将这一问题归因于鸡肉pH值的变化幅度较小。例如，Berzaghi等人（2005）发现NIR模型无法预测产蛋鸡在24小时和7天后的肌肉pH值。同样，尽管使用可见光-NIR仪器在肉鸡胸部肌肉样本中获得了较高的R2值，但RPD仍≤1.9，表明其实际应用可靠性不足（Liu et al., 2004）。还需要注意的是，pH值和颜色是在屠宰后24小时测量的，而NIR光谱是在解冻后获得的。这种时间差异可能解释了这些参数预测结果不佳的原因，因为颜色和pH值会随时间和冷冻-解冻过程发生变化（Zhang et al., 2017; Zhang et al., 2023）。尽管如此，可见光谱（400–750纳米）仍然可以用于表征肉类颜色，尤其是在颜色坐标方面。总体而言，结果证实NIR光谱在当前评估条件下无法可靠地预测鸡肉的颜色或pH值。

4.5 灰分预测仅对冻干样本准确
在完整肉样和绞碎肉样中，灰分的预测结果不可靠；而在冻干样本中，灰分预测的准确性更高，鲜重（FM）和干重（DM）条件下的R2VAL介于0.70-0.82之间，RPD介于2.2-2.3之间。这表明NIR模型能够为冻干样本提供可靠的灰分预测，适合进行初步筛查，符合Williams（2014）的评估标准，他认为RPD值在2.0到2.4之间的模型适合用于筛查目的。相比之下，完整肉样和绞碎肉样的预测性能较差，这可能是由于水分子的干扰。这是一个令人鼓舞的结果，因为这是首次成功开发出能够进行粗略筛查的家禽肉灰分预测模型（Abeni & Bergoglio, 2001; Berzaghi et al., 2005）。这种改进的性能可能归因于使用了包括胸部和腿部肌肉在内的综合数据集。

4.6 蛋白质和醚提取物的预测成功
在冻干样本中，CP和EE的预测模型表现出极高的准确性，支持了它们在精确定量分析中的应用前景。具体来说，以干重为基础表示的CP在RPD方面表现优异，符合Williams（2014）设定的阈值（RPD ≥ 3）。同时，EE在鲜重和干重基础上的预测准确性更高，RPD范围在4到7之间。NIR在估算CP和EE参数方面的强大预测能力反映了NIR区域的主要差异主要来自脂质和蛋白质的吸收峰（Ding et al., 1999）。此外，对于绞碎肉样中的EE，预测能力也较为准确（RPD = 2.5–2.9，根据Williams, 2014），而对于CP，只有绞碎的胸部肉样达到了这一水平。这对于常规分析具有实际优势，因为它无需进行耗时且不总是可行的冻干过程即可实现准确预测。然而，胸部和腿部肉样之间预测准确性的差异可能源于数据分布的差异，正如CP所表现出的那样，不同的值范围和异质性影响了模型的性能。总体而言，这些发现表明，针对具有不同分布特征的样本分开处理可以提高校准的准确性，而当两种样本中的特征分布相似时合并数据集可能是合适的。在这种情况下，NIR光谱成为湿化学方法的一种可行替代方案，无论是对于绞碎肉样还是冻干肉样，只要在模型开发过程中仔细考虑数据集结构和样本的异质性。

4.7 成功区分了鸡肉部位和性别，但无法区分饲养处理
能够成功区分鸡肉部位说明模型在区分鸡肉部位方面的能力更强，而在区分性别和饲养处理方面的能力较弱。这与先前研究的结果一致，这些研究指出在完整肉样中更容易区分不同的肉块（Nolasco-Perez et al., 2018; Soumeh et al., 2025），并且绞碎肉样也能区分胸部和腿部或小腿肉块（Nolasco-Perez et al., 2018）。此外，本研究还证明冻干肉样也能成功区分不同部位的肉，这对于验证加工或保存的肉制品非常有用。这种能力特别有助于区分胸部和腿部肉，因为这两种肉在成分和质量特性上往往存在差异。这些有希望的结果表明，这项技术可以集成到肉制品的监测分析系统中。与McDevitt等人（2005）的研究结果相反，他们发现快速生长和缓慢生长的肉鸡的肉可以根据饲养处理进行分类，但无法根据性别进行分类。他们未能区分性别的结果可能是因为动物的年龄原因，可能是由于它们尚未达到性成熟。在我们的研究中，鸡在五个月大时被屠宰，其化学组成存在明显的性别差异，尤其是在CP和EE含量方面。在冻干样本中更准确的性别预测可能是因为冻干后化学成分的浓度和均匀性提高。去除水分可能会放大蛋白质、脂质和其他代谢物在光谱上的差异，这些差异反映了性别相关的变化。尽管冻干和绞碎样本都是破坏性的处理方法，但完整肉样的性能最差，这是因为组织的异质性（由于水分含量和有限的光线穿透）降低了信噪比，掩盖了成分差异。相比之下，不同饲养处理之间的差异不显著（Stoppani et al., 2025），这可能解释了我们的数据集中未观察到性别差异的原因。性别之间的化学成分差异可能导致NIR吸收谱的变化，因为光谱主要受O–H、N–H和C–H吸收峰的影响（Xiaobo et al., 2010）。因此，只有当饲养制度显著影响这些光谱特征时，才能预测出性别差异，正如Berzaghi等人（2005）在脂肪酸组成不同的鸡肉中观察到的情况。准确预测解剖部位、性别和饲养处理对于防止食品欺诈尤为重要，因为雄性和雌性肉、不同部位的肉以及不同饲养方式的肉在市场价格或标签要求上可能存在差异。近红外光谱（NIR spectroscopy）提供了一种快速、非破坏性的工具，用于确保肉制品的 authenticity（真实性）和正确标签。5. 结论 本研究首次将NIR光谱技术应用于本地鸡品种Bionda Piemontese，证明了其预测某些肉品质特征的潜力，尤其是在本地市场上。冻干样品在化学特性（尤其是粗蛋白和脂肪）的预测方面最为准确。尽管如此，NIR光谱技术在预测磨碎样品中的脂肪含量时也表现有效，因为它消除了样品制备的需要，实现了对肉类的直接分析，从而具有实际优势。相比之下，pH值和颜色特征的预测不够可靠，这可能是因为它们的变异较小且测量具有主观性。此外，研究结果表明应分别分析不同部位的肉，因为胸部和大腿部分的预测准确度不同。测量单位的选择（鲜基还是干基）对整体结果影响有限；然而，对于冻干样品来说，以干基表示结果可以提高预测准确性，因为这样可以使参考值与光谱信息更好地对齐。需要针对每个参数测试不同的数学处理方法和散点校正方法，以选择最适合构建最佳预测或分类模型的方法。NIR光谱还能有效区分肌肉类型和性别，在冻干样品中准确度最高，但无法区分所测试的实验饮食类型。这些结果凸显了NIR光谱作为快速、非破坏性肉制品鉴定工具的潜力，特别是在验证产品身份和检测与部位或性别错误标注相关的潜在食品欺诈方面，因为本地品种的肉品质特征存在差异。总体而言，这些结果表明，通过增加样本数量和改进校准，NIR光谱技术可以替代传统的分析方法，为Bionda Piemontese提供快速、经济有效的分析方法，这对于成本敏感的本地市场尤为重要，同时有助于支持营养标签、产品质量控制和真实性验证。未来的研究可以扩展到其他本地品种，以评估不同遗传背景下的NIR光谱预测和区分效果是否一致。

未引用参考文献：
CIE 1976

伦理批准
所有动物实验均遵循科学用途下动物护理和使用的伦理标准和指南进行。实验方案遵循了当前欧洲指令（2010/63/EU）关于科学用途下动物护理和使用的规定，并获得了都灵大学生物伦理委员会的批准（协议编号：251833）。

作者贡献声明：
Nadia Stoppani：概念构思、方法学设计、软件应用、数据分析、数据整理、初稿撰写。
Elena Albanell：验证工作、资源提供、数据整理、监督、审阅与编辑。
Valeria Zambotto：方法学设计、资源提供。
Chiara Bianchi：方法学设计、资源提供。
Dominga Soglia：概念构思、项目监督、资金筹集、审阅与编辑。
Achille Schiavone：审阅与编辑。
Carmen L. Manuelian：概念构思、方法学设计、软件应用、验证工作、资源提供、监督、审阅与编辑。

数据可用性声明
本研究使用和分析的数据集可应请求从相应作者处获取。

资助声明
Carmen L. Manuelian获得了西班牙科学部（项目编号RYC2023-042902-I）的Ramon y Cajal计划资助。

伦理声明
实验方案遵循了当前欧洲指令（2010/63/EU）关于科学用途下动物护理和使用的规定，并获得了都灵大学生物伦理委员会的批准（协议编号：251833）。

作者贡献声明：
Nadia Stoppani：撰写、审阅与编辑、初稿撰写、方法学设计、数据分析。
Elena Albanell：撰写、审阅与编辑、监督、方法学设计。
Valeria Zambotto：方法学设计。
Chiara Bianchi：方法学设计。
Dominga Soglia：撰写、审阅与编辑、监督、资金筹集、概念构思。
Achille Schiavone：撰写、审阅与编辑。
Carmen L. Manuelian：撰写、审阅与编辑、初稿撰写、验证工作、监督、软件应用、方法学设计、概念构思。