| 近年来，我国饲料工业取得了较大的成就，但仍然存在着限制饲料工业的快速发展的因素， 如饲料原料相关养分无法实现快速准确的测定，传统的检测技术耗时耗力，检测效率低，与快速发展的饲料工业不相匹配；从畜禽养殖的角度来看，畜禽采食了养分均衡的饲料才可发挥最大的生产性能；综合来看，开发一种快速高效检测的技术对饲料生产企业和畜禽养殖具有很大的促进作用。红外光谱技术分为中红外光谱技术（MIR）和近红外光谱分析技术（NIR），其中近红外光谱技术具有很好的检测功效。近红外光谱技术是一种结合红外光谱分析和化学定量分析的技术，可实现对样品快速、无损以及高效的测定，在农业领域实现了广泛的应用。NIR 技术的应用很好的解决了饲料工业发展的限制因素，在饲料原料检测开始了广泛的应用，如 NIR 技术可高效检测原料蛋白质的含量、粗脂肪的含量、粗纤维的含量、碳水化合物的含量以及其他常规养分如灰分等的测定具有着大量的应用，在很大程度上促进了饲料企业的发展。因而，笔者就近年来 NIR 技术在饲料原料养分预测方面的应用展开综述， 同时阐述了其作用原理、工作流程以及评价指标。文章旨在为饲料生产企业及一线工人提供良好的应用依据和思路，进而促进饲料企业实现高效快速发展。 No.1 NIR技术简介 1.1 NIR 分析技术的原理 近红外光是一种电磁波，其波长在 780～2526nm 间，根据波长通常可分为两类，分别为短波近红外光谱区（SW-NIR），其波长范围为 780～1100nm，也称之为透射光谱；其次是长波近红外光谱区（LW-NIR），波长范围为 1100～2526 nm，也可称之为反射光谱。大部分生物材料组成中含有大量的含氢基团（-OH、-CH、-NH 以及 -SH 等基团），当用近红外光照射待测物时，这些化学基团会发生振动，进而使能量增加，而通过 NIR 技术记录这些基团的物理特性和化学特性，再结合化学定量分析，从而实现对待测生物样品进行定量或定性的分析。 1.2 NIR 技术的分析流程 NIR 技术首先对标准品数据库建立相应的数学模型和验证模型，然后将待测样品相应的组分代入至验证模型中进行定量或定性分析，从而进行预测。具体流程为 5步： ①对标准品进行光谱分析； ②使用标准样品数据建立数据库、应用数据库建立数学预测模型； ③对待测样品的光谱进行测定； ④将待测样品的光谱与数据库中数据中标准品光谱进行比对，使用模型进行比对分析，得出定性或定量的分析结果； ⑤不断的更新数据库和优化模型。 1.3 NIR 技术的校正模型及评价指标 NIR 分析技术主要使用的校正模型为偏最小二乘回归分析法 （PLS）、 多元线性回归（MLR）、主成分分析（PCA）以及神经网络（ANN）等计算校正模型。评价模型优劣的参数主要有相关系数（R2）、定标决定系数（RSQcal）、交叉验证相关系数（1-VR）、校正均方根差（RMSEC）、验证均方根差（RM-SEP）、 交 叉 检 验 标 准 误 差（SECV），通常认为当 1-VR 值越大、SECV 值越小，表明建立模型的拟合度越好，即预测效力越高。 No.2 NIR 技术在饲料原料养分预测中的应用 2.1 NIR 技术在原料蛋白质含量预测中的应用 传统凯氏定氮法等测定蛋白质含量的方法不能很好地实现快速高效的测定原料粗蛋白含量，且耗时耗力，而 NIR 技术的应用，使得原料蛋白质含量测定实现了高效快速，NIR 技术在苜蓿大豆等饲料原料粗蛋白含量的检测方面具有广泛应用。冯伟娟等（2018）比较了 NIR 技术和凯氏定氮法测定大豆中蛋白质含量的优缺点，以青大豆、黄大豆、黑大豆以及黄豆粉为研究材料 ， 使用近红外分析仪器（DA700，瑞典波通 Perten 公司）分析了上述豆类原料的蛋白质含量，并用凯氏定氮法对上述原料蛋白质含量进行测定，结果表明两者（上述所有豆类蛋白质含量）结果无显著差异（P>0.05），研究认为 NIR 技术可替代传统凯氏定氮法进行大豆蛋白质含量的测定；车畅等（2017）以国家标准法测定了320份豆粕中粗蛋白含量，选用其中40份用NIR技术进行光谱分析，建立预测模型，得到模型的相关系数为0.963，而标准差为0.04，变异系数3.36，表明 NIR 技术预测豆粕的粗蛋白含量具有很高的可靠性；李琳琳等（2014）研究也表明NIR 技术可以准确预测大豆中蛋白质大含量（内部验证相关系数和内部验证相关系数分别为0.9471和0.9622）。NIR 技术同样也可用于苜蓿类饲料原料蛋白质含量的测定，纳嵘等（2018）研究采用NIR技术分析了63个不同来源的苜蓿原料蛋白质的含量，采用改进最小二乘回归分析法为校正模型，建立苜蓿蛋白质含量的预测模型，相关参数结果表明， 交叉验证相关系数（1-VR）值为0.9201、外部交叉验证标准误差（SECV）值为0.2640，由这些参数可以看出，NIR技术可以准确预测苜蓿中蛋白质的含量。除此以外，NIR技术也可用于玉米胚芽粕（预测均方根误差RMSEP为0.98%）、玉米蛋白粉（RMSEP为0.75%）、干酒糟（RMSEP为1.54%）和菜籽粕（RMSEP为0.90%）等植物源性原料中粗蛋白的含量（Fan等，2016）；动物源性饲料原料蛋白质含量也可使用 NIR 技术进行准确的测定，如昆虫原料（昆虫粕）中蛋白质含量的测定（Mandril等，2018）。综上表明，NIR技术可以无损、快速、准确的测定饲料原料中蛋白质含量，为配制优质配方提供了有力的保证。 2.2 NIR 技术在原料粗脂肪含量预测中的应用 粗脂肪含量是配制优质日粮考虑的重要因素之一，传统的粗脂肪含量测定是采用索氏提取法等检测方法，耗时耗力，不利于饲料生产企业批量快速测定，随着NIR技术的发展，越来越多的饲料企业使用NIR技术对原料进行粗脂肪含量的测定。曹小华等（2017）采用傅里叶近红外技术分析了肉骨粉中粗脂肪的含量，以偏最小二乘回归分析法为校正模型，建立肉骨粉中粗脂肪的含量的预测模型，分析结果表明：模型对粗脂肪的预测决定系数为0.9261、外部验证集验标决定系数高于0.94，而交叉检验的均方根误差（RMSECV）值为0.303；相关参数表明使用NIR技术可以准确预测肉骨粉中粗脂肪含量。NIR技术具有快速测定的优良特性，在一定程度上可以替代粗脂肪含量测定的国家标准方法，陈悦（2018）比较了国标法测定与NIR技术大豆中粗脂肪含量的差异，比较了两者的结果，发现NIR技术的测定值与国标法测定值的绝对误差在1.8%～2.6%，低于国家标准的10%；结果表明 NIR 技术和国标法之间的测定结果具有一致性。在大豆原料中粗脂肪含量的测定方面，李琳琳等（2014）研究发现使用 NIR 技术可以准确地预测大豆中粗脂肪的含量（内部验证相关系数和外部验证相关系数 分 别 为0.8890和0.9155）。NIR技术在其他饲料原料中粗脂肪的测定也有应用，如杨伟伟等（2018）采用NIR技术分析了米糠粕中侧脂肪的含量，结果表明使用NIR技术测定具有很高的准确性，其平均误差在0.5%以下；纳嵘等（2018）研究表明NIR技术测定的粗脂肪结果与常规法（GB/T6443-2006）测定结果之间差异不显著（P=0.158）；同时可以测定饲草中粗脂肪的含量（1-VR 值为0.92；SEP为0.54）（Tejerina 等，2018）。综上表明NIR技术可以实现准确快速地测定饲料原料中粗脂肪的含量，为饲料原料分级提供了有力的工具。 2.3 NIR 技术在原料粗纤维含量预测中的应用 日粮中粗纤维的含量对饲料品质具有重要影响，在饲料配制过程中，需要根据不同畜禽以及日粮纤维的含量，从而配制适宜的配方，传统测定粗纤维的含量是采用价格昂贵的滤袋进行测量，成本较高，且效率低，不利于企业实现低成本高效测定的目标，NIR技术具有高效无损且价格低廉的优势，因而越来越多的学者及企业采用NIR技术对饲料原料中纤维的含量进行测定。姜训鹏等（2016）采用NIR技术对6种饲料共327个样品的中性洗涤纤维（NDF）和酸性洗涤纤维（ADF）含量进行了测定，以传统的滤袋法测定结果作为参考集，采用最小二乘回归分析法为校正模型，结果表明玉米干酒糟及其可溶物、苜蓿草颗粒、甜菜粕、小麦麸、大豆皮和喷浆玉米皮6种原料的NDF和ADF的范围分别在 21.20%～65.28% 和6.40%～48.31%，模型验证集决定系数和预测标准误差分别为0.963 和1.82、0.985和1.63，参数表明NIR技术可用于多种饲料原料中纤维含量的快速测定。在玉米秸秆原料粗纤维测定方面，胡世洋等（2017）采用近红外光谱技术测定了71种玉米秸秆样品中粗纤维（综纤维素、纤维素、半纤维素以及木质素）的光谱，以化学测定结果作为验证集，结果表明4个预测模型的决定系数在 0.8383～0.9023 之间，均方根误差在 1.16～2.02%之间， 表明NIR技术的预测效果较好；类似的研究也发现，使用NIR技术测定玉米秸秆中酸性洗涤纤维的相对标准偏差仅为3.75%（薛俊杰等，2016）。在饲草中粗纤维测定方面，高燕丽等（2015）研究结果表明NIR技术可准确不同生理状况下严格的控制的预测紫花苜蓿干草中 NDF 和ADF 的含量；Tejerina 等（2018）认为NIR技术可测定饲草中NDF的含量（1-VR=0.87）。也有研究报道，NIR技术在菜粕中粗脂肪含量的测定具有较好的预测效力（相关系数高于0.8）（郝生燕等，2014）。表明NIR技术可实现对多种饲料原料中的粗纤维含量实现无损快速的测定，为饲料资源的开发利用提供了有效的数据。 2.4 NIR技术在原料碳水化合物含量预测中的应用 原料中适宜的碳水化合物对配制促进畜禽生产性能的配方具有积极作用，因而准确的评定饲料原料中碳水化合物含量对畜禽生产性能的提高具有积极作用，由于NIR技术测定具有高效、绿色以及无损的优良特性，使其在评定饲料原料中碳水化合物含量中有了广泛的应用。在玉米原料中碳水化合物含量的测定方面，Hetta 等（2017）以瑞典3个不同品种的玉米（132 饲料级玉米原料）为研究对象，采用高质量近红外光谱技术（NIR）测定了样品中的可溶性碳水化合物含量，以最小二乘回归（PLS）分析法建立预测模型，结果表明NIR技术测定玉米中可溶性碳水化合物具有很高的稳健性。薛俊杰等（2016）研究表明NIR技术可实现对玉米秸秆中的可溶性碳水化合物含量的测定（相对标准偏差为16.81%）。李国彰等（2018）用 NIR技术分析了大麦秸秆中碳水化合物（CHO）的含量，基于康奈尔净碳水化合物体系建立 CHO养分的预测数据库，结果表明（二阶导数最优模型），采用NIR技术对大麦秸秆中CHO含量、非纤维性碳水化合物（NFC）含量的交互验证决定系数（1-VR）以及交互验证标准差（SECV）分别为0.9209和0.0073、0.8571和0.0107，表明NIR技术可以准确的预测大麦秸秆中CHO的含量。Chen 等(2013)研究表明，NIR技术在谷物中总碳水化合物的测量中也有应用，其验证决定系数和预测的均方根误差（RM- SEP）分别为 0.92和0.40，研究认为NIR技术是测量谷物中碳水化合物的有效方法。综上说明NIR技术在原料WHO测定方面具有广泛的应用，可以有效的评定原料中CHO的含量。 2.5 NIR技术在原料其他养分预测中的应用 NIR技术具有高效无损测定的优良特性，除了在上述常规养分含量的测定外，还可用于原料中粗灰分（Ash）、混合饲料中维生素E含量、氨基酸含量、钙磷含量以及干物质（DM）等常规养分。肖红等（2018）采用 NIR 技术分析了160份紫花苜蓿青贮原料样品中Ash的含量，结果表明NIR模型测定的交叉验证相关系数（Rcv）和交叉验证标准误（RMSECV）分别为0.978和0.177，表明NIR技术测定苜蓿原料中的Ash的含量是可行的。王燕妮(2017)等研究表明NIR技术可实现预混合饲料中VE含量的快速测定。据李军涛（2014）报道，采用NIR技术可测量不同来源玉米中的氨基酸的含量（除赖氨酸、蛋氨酸、色氨酸和胱氨酸外其余14中氨基酸决定系数在0.86～0.94），该研究还表明，使用NIR技术测定原料中氨基酸的含量效果优于传统的粗蛋白法测定。在矿物质含量测定方面，有研究报道，使用NIR技术可用于钙磷含量的测定（误差在许可范围内）（Khaleduzzaman等，2017）。在DM的测定中，Bagchi等（2016）采用改进偏最小二乘回归分析建立模型，采用NIR技术对糙米中DM进行了测定，通过外部验证，证明NIR技术测定糙米中DM是可行的。这表明NIR技术对饲料原料养分预测具有通用性和广泛性。 3·小结与展望 NIR技术具有高效、无损以及快速测定等优秀特性，被饲料企业用于大部分饲料原理蛋白质含量测定、粗脂肪含量测定、粗纤维含量测定、碳水化合物物以及部分矿物质元素含量等常规养分的测定，为原料的接收以及评定提供了有力的支撑；同时为畜禽配制优质配方提供了参考，从而有效地改善畜禽生产性能。NIR在技术继续推广方面存在问题，如缺乏配套设备以及数据库不够完善；在今后的推广过程需重视配套设备的研发以及充实样品数据库。相信随着电子信息技术的发展，会有更多更精确的NIR设备应用于饲料原料养分预测中，同时相应的数据库也会随之不断扩大，从而使NIR技术在原料养分预测中发挥更大的作用，促进原料生产企业、饲料企业乃至畜牧场实现高效发展。（本文来源：《广东饲料》，作者：陈辉） |
