雞胸肌凍干粉賴氨酸近紅外定量預測模型的建立與優(yōu)化

陶琳麗，陶冶，甘文斌，杜光英，李富銀，王天武，尹汝高凡，楊萬進，張曦*，牛國一*

（1.云南農業(yè)大學動物科學技術學院，云南省動物營養(yǎng)與飼料重點實驗室，云南昆明 650201）（2.云南省飼料工業(yè)協(xié)會，云南昆明 650201）（3.云南省獸藥飼料檢測所，云南昆明 650201)

雞肉作為人類健康經濟的蛋白質來源，一直深受消費者的喜愛，占具著重要的肉品市場份額。賴氨酸是雞肉蛋白質的重要組成部分，是人的第一限制性氨基酸、雞的第二限制性氨基酸。因此，檢測雞肉中賴氨酸含量對雞肉加工利用，雞育種、養(yǎng)殖技術提升都具有重要意義。

賴氨酸含量檢測方法有分光光度法、氣相色譜法、高相液相色譜法、液相色譜與質譜聯(lián)用法、毛細管電泳法等[1]。目前，雞肉賴氨酸含量的檢測主要使用高相液相色譜法，如柱后衍生氨基酸分析儀法[2]、柱前衍生液相色譜法[3]。這兩種方法在進行賴氨酸分析時均需進行復雜的樣品前處理，存在耗時長、試劑種類多、操作復雜、儀器精度要求高、檢測成本高等問題，制約大批量雞肉樣本氨基酸的檢測。近紅外光譜定量分析技術是近年來發(fā)展迅速的一種綠色安全簡便的檢測技術，已被廣泛的應用于各種有機物的檢測。在氨基酸檢測中，近紅外定量預測模型已被用于水果[4]、飼料[5]、中藥[6]等。對于肉類檢測，已有關于羊肉中氨基酸近紅外光譜建模方面的報道，但近紅外在雞肉化學成分檢測上的應用研究僅見于粗蛋白質、粗脂肪、脂肪酸、水分等[7]指標，鮮見氨基酸方面的報導。不同種類來源的相同化學成分，近紅外定量預測模型不能通用，因此雞肉中賴氨酸定量預測模型的建立對雞肉產業(yè)的發(fā)展具有十分重要的意義。

一個實用的近紅外定量校正模型應具有預測結果相關性高，標準偏差低，但相關性又不能是由過擬合造成等特點。在建模過程中，一般通過四個方面來提高模型的精度與穩(wěn)定性：一是通過光譜預處理方法減少以至消除各種非目標因素對光譜的影響，提高光譜的有效信息量[8]；二是通過特征光譜的選取，提高模型的預測精度[9]；三是刪除降低模型預測精度異常樣本[10]；四是合理進行建模校正集和外部驗證集的選擇[11]。因此，本文以五種不同來源的云南地方雞胸肌凍干粉中的賴氨酸為研究對象，研究不同建模因素對雞胸肌賴氨酸近紅外定量校正模型建模的影響，以期獲得最佳的雞胸肌賴氨酸近紅外定量校正模型，為今后雞肉中賴氨酸的定量檢測提供一種快捷準確的檢測方法。

1 材料與方法

1.1 試驗材料

采集300～350日齡、放養(yǎng)的云南省香格里拉縣尼西雞48羽（NX，公22，母26）、劍川縣青花雞58羽（QH，公28，母30）、南澗縣無量山烏骨雞52羽（LW，公26，母26）、新平縣黎明雞58羽（XP，公30，母28），武定縣武定雞47羽（WD，公18，母29），5種雞的胸肌，制成凍干粉，作為研究樣本，各品種樣本記為NXX、QHX、LWX、XPX、WDX。

1.2 賴氨酸含量的化學檢測方法

采用高效液相色譜內標法進行檢測（島津高效液相色譜儀LC-20A），賴氨酸檢測方法參照天津市博納艾杰爾科技有限公司Venusil AA氨基酸分析方法[12]進行。

1.3 近紅外光譜采集

將樣品裝入0.6 mm厚聚乙烯自封袋[13]，樣品厚度5 mm。使用島津傅立葉變換紅外光譜儀IRPrestige-21（配套近紅外附件FlexIRTM Near-Infrared Fiber Optics module）掃描樣品，光譜采集軟件島津IRsolution 1.50。樣品掃描前先將0.6 mm聚乙烯圓片置于背景金箔面上進行背景去除，去除PE自封袋的影響。光譜掃描的波長范圍為1000～2502 nm，分辨率8 cm-1，每個樣品掃描3次，每次掃描50遍，以3條近紅外光譜的平均值作為樣品原始光譜。

1.4 光譜預處理方法篩選

由于樣品不同成分之間的相互干擾，導致近紅外光譜譜帶重疊，存在譜峰掩蓋及信號噪聲等問題，一般會在獲得樣品近紅外漫反射光譜（Near Infrared Reflection Spectroscopy，NIRS）后進行光譜預處理，即消除光譜噪聲和其它譜圖不規(guī)則因素的影響[8]。本文采用標準正態(tài)變量變換（SNV）、多元散射校正（MSC），一階導數[gapsegment(1#,15,7)]、二階導數[gapsegment(2#,15,7)]、標準正態(tài)變換結合一階導數法[SNV+gapsegment(1#,15,7)]、標準正態(tài)變換結合二階導數法[SNV+gapsegment(2#,15,7)]、標準正態(tài)變換結合去趨勢算法（SNV+Detrending）等7種光譜預處理方法對雞肉NIRS進行光譜預處理。具體過程如下：

（1）將263個樣本劃分為校正集200樣本（每種地方雞取40個樣本（除WDX公雞18個，母雞22個外，其余四種雞公母各半）和外部驗證集63樣本，樣本劃分時滿足驗證樣品的賴氨酸檢測值均包含在校正樣品中的要求，該樣本劃分方法稱為雞種樣本劃分法。

（2）采用7種光譜預處理方法對雞肉NIRS進行光譜預處理。

（3）使用原始光譜、7種預處理光譜，在全譜段（1000～2502 nm）上采用偏最小二乘法PLS、內部留一交互驗證建立校正模型。根據模型的優(yōu)劣篩選賴氨酸的光譜預處理方法，記為NIRS-preprocess1。

1.5 建模特征光譜篩選

隨著對NIR結合PLS建模方法的深入研究和應用發(fā)現(xiàn)，通過特定方法篩選特征波長或波長區(qū)間有可能得到更好的定量校正模型，波長選擇不但可以簡化模型，還可以通過剔除不相關或非線性變量，得到預測能力強、穩(wěn)健性好的校正模型[14]。本文對特征光譜篩選的過程如下：

（1）根據5種雞胸肌凍干粉光譜形態(tài)和主成分分析（PCA）結果將樣品NIRS劃分成不同譜區(qū)。在這些譜區(qū)上，采用原始光譜和NIRS-preprocess1光譜進行建模。評價各譜區(qū)校正模型的優(yōu)劣，篩選出建模最佳譜區(qū)，記為Feature-spectrum1。

（2）將1000～2502 nm全譜區(qū)劃分為155個子區(qū)間、77個子區(qū)間、39個子區(qū)間、10個子區(qū)間，F(xiàn)eature-spectrum1譜區(qū)劃分為97個子區(qū)間、40個子區(qū)間、10個子區(qū)間，使用前向間隔偏最小二乘法（Forward Interval PLS，F(xiàn)iPLS）[15]篩選不同子區(qū)間上的建模特征譜區(qū)，使用PLS建立校正模型。

（3）根據（2）的研究結果，在1000～2502 nm譜區(qū)和Feature-spectrum1譜區(qū)上篩選出較優(yōu)的子區(qū)間劃分方法各2個，再在這4個子區(qū)間上使用后向間隔偏最小二乘法（Backward interval PLS，BiPLS）[16]的進行特征光譜區(qū)篩選，在篩選出的4個特征光譜區(qū)間上使用PLS建立校正模型。

（4）根據（2）的研究結果，在1000～2502 nm譜區(qū)和Feature-spectrum1譜區(qū)上篩選出最優(yōu)的建模特征光譜各1個，在FiPLS法篩選的最優(yōu)特征光譜基礎上，再使用BiPLS法進行特征光譜區(qū)的篩選，記為FBipls法。在FBipls法篩選的特征光譜區(qū)間，使用PLS1建立校正模型。

（5）比較上述不同特征光譜區(qū)的建模效果，篩選出最佳的建模光譜區(qū)域。

1.6 異常樣本的剔除

異常樣本是指在建模過程中加入某些樣本后導致所建模型的預測精度大幅降低的樣本，主要包括2類，一類是由操作誤差和設備誤差導致，這類樣本應視為異常樣本進行剔除；另一類是由樣本本身屬性的不同導致化學值和光譜值與其他樣品相比具有特殊性，加入這些樣本雖會降低模型對一般樣本的預測精度，但可顯著提高模型的適配范圍[11]。本文采用蒙特卡洛交叉驗證法（MCCV）作為異常樣本剔除方法，其matlab算法由Michal Daszykowski提供網絡下載http://www.chemometria.us.edu.pl。

具體步驟如下：

步驟1：針對所有樣本使用PLS確定最佳主成分數；

步驟2：使用蒙特卡洛隨機取樣法選取80%樣本作為校正集，剩余20%作為驗證集，根據步驟1所確定的最佳主成分數，針對校正集使用PLS方法建立回歸模型，并對驗證集進行預測，獲得驗證集每個樣本的預測值；

步驟3：將步驟2循環(huán)2000次，得到每個樣本的預測誤差分布；

步驟4：計算每個樣本預測殘差的均值（MEAN）和方差（STD），繪制樣本的殘差均值—方差分布圖，根據繪制的均值—方差分布圖，確定在一定方差下，不同較大殘差下的樣本數，將這些樣本作為異常樣本。

步驟5：對胸肌凍干粉原始光譜按上述四個步驟建立均值—方差分布圖，根據殘差均值、殘差方差和剔除數量劃分成2組具有不同數量的異常樣本集（異常樣本集1、異常樣本集2），研究剔除不同異常樣本數對模型的影響。

1.7 校正集和驗證集樣本的選擇

校正集和驗證集樣本的選擇方法有常規(guī)選擇和計算機識別[17]。本文上述研究過程中采用的就是常規(guī)選擇法，即根據雞種進行選擇?，F(xiàn)增加SPXY算法選擇校正集和驗證集，SPXY算法的優(yōu)點是能有效覆蓋多維向量空間，從而改善模型預測能力。在計算樣品間距離時SPXY算法同時將x變量和y變量同時考慮在內[18]，其標準化的xy距離公式為：

式中：

N——樣品數；

x——PLS確定的主成分；

y——化學檢測值；

dx(p,q)——p和q主成分的歐氏距離；

dy(p,q)——p和q化學檢測值的歐氏距離。

在剔除異常樣本集的基礎上，根據計算的歐氏距離進行樣本集和驗證集的重新劃分。

1.8 綜合優(yōu)化建模研究

以原始光譜PLS的主成分數為依據，采用MCCV方法篩選出2個相同殘差方差、不同殘差均值的異常樣本集，在全樣本集、刪除異常樣本集1和刪除異常樣本集2的基礎上，采用SPXY方法劃分校正集和驗證集，形成3個新的校正集和驗證集，針對1.2.2選定的建模譜段和1.2.1選定的光譜預處理方法，采用PLS方法建立胸肌賴氨酸定量預測模型。評價建模效果，最終篩選出雞胸肌賴氨酸最佳校正模型。

1.9 數據處理與模型評價

采用校正決定系數R2 CAL、校正標準偏差SECAL、留一法內部交互驗證決定系數R2 CV、留一法內部交互驗證標準偏差SECV進行評價，以最高的R2 CAL和SECV確定最優(yōu)校正模型。

式中：

yi,actual——第i個樣品化學檢測值；

yi,predicted——用所建模型對第i個樣品的預測值；

?i,actual——建模集中所有樣品化學檢測值的平均值；

使用外部驗證集對校正模型進行外部驗證。評價指標是預測決定系數預測標準偏差SEp，驗證集標準偏差與預測標準偏差的比值RPDp。和SEp的計算公式同校正集。

根據校正模型的評價指標、內部交互驗證的評價指標和外部驗證評價指標綜合評定模型的優(yōu)劣。

2 結果與討論

2.1 胸肌凍干粉賴氨酸化學方法檢測結果

根據1.4中的雞種劃分法對263個樣本進行劃分，劃分后的校正集和外部驗證集賴氨酸含量化學方法檢測結果如表1所示。校正集樣本賴氨酸含量在10.07%～6.30%之間，外部驗證集樣本的賴氨酸含量為9.90%～6.76%，包含在校正集中，滿足近紅外模型的建模和驗證要求。由表1可以看出，無量山烏骨雞胸肌中賴氨酸含量較高，平均值為9.63%，且變異系數最低CV僅為3.03%；武定雞胸肌中賴氨酸含量最低，平均值僅為7.32%；青花雞和新平黎明雞胸肌中賴氨酸含量變異較大，其CV均大于8%。

表1 胸肌凍干粉賴氨酸含量化學檢測結果Table 1 Statistics of lysine content measured by chemical method for the breast muscles freeze-dried powder

2.2 光譜預處理方法篩選

由表2可知，在全譜段1000～2502 nm波長范圍內，不同光譜預處理方法對建模結果存在一定影響。SNV+gapsegment (1#,15,7)光譜的建模結果最佳，而SNV+Detrending光譜所獲結果較差，SNV和MSC兩種光譜預效果相同。因此，本研究的光譜預處理方法為SNV+gapsegment (1#,15,7)方法。陸艷婷等[19]使用“一階導數+多元散射校正”和“一階導數+矢量歸一化”兩種光譜預處理方法建立的粳稻賴氨酸NIRS預測模型效果較優(yōu)，其均為0.85。牛智友等[20]使用“變量標準化，7點平滑，二階導數”光譜預處理方法建立的魚粉賴氨酸NIRS預測模型的為0.95。上述研究所用光譜預處理方法與本文結論不一致，其原因主要是樣本來源不同，樣本賴氨酸及其NIRS差異所致。

表2 不同光譜預處理方法建模結果Table 2 The modeling results of different spectra pretreatment methods

2.3 建模特征光譜篩選

2.3.1 原始光譜圖和SNV+gapsegment(1#,15,7)光譜圖

由圖1a可知，五種地方雞胸肌凍干粉的原始光譜相似，有6個明顯的吸收峰，但在2300～2502 nm區(qū)間內表示出相對較大的差異，圖1b中也表現(xiàn)出此特征。武定雞在1000～1450 nm譜段的吸光度值相對較高，而在1900～2502 nm譜段武定雞和新平黎明雞相對其他3種雞吸光度值較低。就整條光譜吸光度值變化來看，青花雞和尼西雞的吸光度值變化差異最大，武定雞的吸光度值變化差異最小，推測吸光度值的差異與不同雞種胸肌凍干粉中粗蛋白質的含量不同有關。研究報導，賴氨酸純品NIRS吸收峰的譜區(qū)為1150～1250 nm、1400～1450 nm、1700～1800 nm、2100～2500 nm，強吸收峰出現(xiàn)在1722 nm和2122 nm，這與賴氨酸主鏈上存在多個-CH2有關[21]。雞腿肌凍干粉提取蛋白質的吸收峰與腿肌凍干粉的吸收峰相似，也有6個明顯吸收峰[22]，與圖1中的6個吸收峰1130～1275 nm、1350～1580 nm、1670～1890 nm、1900～2460 nm位置相同。因胸肌凍干粉中蛋白質含量在80%～93%之間，所以圖1中凍干粉NIRS主要受蛋白質NIRS的影響。構成蛋白質的酰氨基團在1500～1530 nm附近為N-H伸縮振動的一級倍頻，2050～2060 nm附近為N-H伸縮振動的組合頻吸收，2168～2180 nm附近為N-H彎曲的二級倍頻與C=O伸縮/N-H面內彎曲/C-N伸縮振動的組合頻[23]。α螺旋結構較多的蛋白質在2445 nm、2291～2281 nm、2167 nm和1738 nm區(qū)域會出現(xiàn)比較強的譜帶，β折疊結構為主的蛋白質則多在2463 nm、2270 nm、2210～2203 nm、2055 nm和1691～1688 nm附近出現(xiàn)[24]。其中，1130～1275 nm處的吸收峰與C-H基團振動二級倍頻吸收有關，1350～1580 nm處的吸收峰與2100～2500 nm與C-H基團的組合頻相關[22]。牛血清蛋白凍干粉NIRS在1570 nm、1698～1738 nm、2057 nm、2071 nm、2289～2462 nm區(qū)域也有5個明顯特征吸收峰[25]。綜上，圖1中1200 nm附近的吸收峰與C-H基團振動的二級倍頻有關，1550 nm附近的吸收光譜主要與酰氨基團N-H伸縮振動的一級倍頻、C-H基團振動的組合頻有關；1700～1800 nm附近的吸收光譜主要與C-H基團振動的一級倍頻有關以及蛋白質的二級結構有關；2000～2502 nm處的三個吸收峰與蛋白質的二級結構、NH基團的倍頻、羧酸等相關，在2300～2502 nm譜區(qū)光譜表現(xiàn)尤其復雜，賴氨酸純品的特征吸收峰均在此譜區(qū)中出現(xiàn)。

圖1 胸肌凍干粉近紅外光譜圖Fig.1 NIRS of the freeze-dried breast muscles powder

對胸肌凍干粉原始光譜進行PCA分析，以2個主成分為坐標建立二維得分圖（圖2a）。其中PC1對光譜矩陣的累積方差貢獻為82%，PC2為14%，因此，樣本在二維空間的分布可反應其特征。在圖2a中，除武定雞部分樣品散落于得分圖的下方，其余4種雞和一半武定雞樣品混雜為一體，聚類趨勢不明顯。由于PC1已包含了絕大多數分類信息，因此可根據PC1的載荷圖提取近紅外的特征光譜[26]。從載荷圖2b可以看出，胸肌凍干粉的特征光譜區(qū)主要在1100～1250 nm、1350～1550 nm、1650～1800 nm、1900～ 2100 nm、2100～2250 nm、2250～2502 nm六個光譜區(qū)間。De la haba等的研究表明混合肉糜及屠宰下腳料中氨基酸的特征譜區(qū)為1650～1794 nm和2224～2394 nm[27]。

圖2 胸肌凍干粉原始光譜主成分分析Fig.2 PCA analysis of original NIRS of the freeze-dried breast muscles powder

綜合圖1和圖2分析結果，將1000～2502 nm波長區(qū)域劃分為：1000～1299 nm、1300～1649 nm、1650～1879 nm、1880～2089 nm、2091～2229 nm、2231～2502 nm六個光譜區(qū)域，同時又根據原始光譜吸光度的高低，將全譜段劃分成1600～2502 nm和1000～1599 nm兩個組合區(qū)域，研究上述8個光譜區(qū)域對胸肌凍干粉賴氨酸NIRS定量模型預測精度的影響。

2.3.2 不同譜區(qū)建模效果比較

使用原始光譜和SNV+gapsegment (1#,15,7)光譜，在上述8個光譜區(qū)域使用PLS方法進行建模，建模結果如表3所示。

在表3所建的16個模型中，最優(yōu)模型是1000～1599 nm譜區(qū)，采用原始光譜所建模型，其R2 CAL為0.83，SECV為0.5152，RPDP為1.70，優(yōu)于表2中的最優(yōu)模型（1000～2502 nm，SNV+gapsegment(1#,15,7)，R2 CAL=0.83，SECV=0.5198，RPDP=1.52）。表3的次優(yōu)模型為1000～1299 nm譜區(qū)，采用原始光譜所建模型，其R2 CAL為0.80，SECV為0.5399，RPDP為1.62。從表3可以看出，采用原始光譜所建模型均優(yōu)于采用SNV+gapsegment (1#,15,7)光譜所建模型。

表3 胸肌凍干粉賴氨酸建模結果Table 3 The modeling results for lysine of freeze-dried breast muscles powder

2.3.3 采用FiPLS、BiPLS、FBiPLS三種方法進行建模特征譜區(qū)篩選

在1000～2502 nm和1000～1599 nm上采用FiPLS、BiPLS、FBiPLS三種方法篩選建模最適特征譜區(qū)，特征譜區(qū)篩選結果如表4所示。其中，使用FiPLS方法獲得7個建模譜區(qū)，BiPLS獲得4個建模譜區(qū)，F(xiàn)BiPLS獲得2個建模譜區(qū)。分別在這13個特征譜區(qū)，使用原始光譜和SNV+gapsegment (1#,15,7)光譜，應用PLS方法建立校正模型。建模結果如表5所示。

表4 FiPLS、BiPLS、FBiPLS優(yōu)選的建模光譜區(qū)域Table 4 The optimum intervals of modeling spectra by FiPLS, BiPLS and FBiPLS

在表5中，最優(yōu)模型為Lys1558-39和Lys973-97B兩個特征譜區(qū)使用原始光譜所建，雖然Lys1558-155特征譜區(qū)所建模型R2 CAL和SECV結果較好，但其RPDP為1.41，說明模型的穩(wěn)定性較差，不能作為最優(yōu)模型。為更全面的研究建模譜區(qū)對模型的影響，綜合考慮將Lys1558-39、Lys973-40、Lys973-97B、Lys973-40B、Lys1558-39-29B五個光譜區(qū)域定為下一步研究的建模光譜區(qū)域。

2.4 異常樣本的剔除

在圖3中，殘差方差超過0.017以上有6個樣本，其中尼西雞樣本4個，武定雞樣本1個，新平黎明雞1個。根據殘差均值和離散程序，將殘差均值的判定線分別定為0.7、0.5，即異常樣本集1（殘差均值>0.7和方差>0.017）有36個樣本，異常樣本集2（殘差均值>0.5和方差>0.017）有68個樣本。

圖3 胸肌凍干賴氨酸原始光譜MCCV法殘差均值-方差圖Fig.3 The residual mean-variance scatter of MCCV based on the spectra of freeze-dried breast muscle powder and lysine values

2.5 綜合優(yōu)化建模結果

表6 顯示：沒有刪除異常樣本時，使用SPXY法選擇的校正樣本和外部驗證樣本，最優(yōu)模型為Lys973-97B建模譜區(qū)，使用原始光譜所建，其R2 CAL=0.85、SECV=0.4797、R2 p=0.75、RPDP=1.98。刪除異常樣本集1時，3個模型結果較優(yōu)，分別為1000～2502 nm使用原始光譜所建，其R2 CAL=0.84、SECV=0.4300、R2 p=0.84、RPDP=2.52；Lys973-97B使用原始光譜所建，其R2 CAL=0.87、SECV=0.4521、R2 p=0.82、RPDP=2.39；1000～1599 nm區(qū)域使用原始光譜所建，其R2 CAL=0.85、SECV=0.4626、R2 p=0.84、RPDP=2.50。刪除異常樣本集2的建模結果也類似，最優(yōu)模型為1000～2502 nm使用原始光譜所建，其R2 CAL=0.92、SECV=0.3284、R2 p=0.88、RPDP=2.93；其次為Lys973-97B譜區(qū)使用原始光譜所建，其R2 CAL=0.86、SECV=0.4066、R2 p=0.86、RPDP=2.67；1000～1599 nm區(qū)域使用原始光譜所建模型也較優(yōu)，其R2 CAL=0.86、SECV=0.4114、R2 p=0.87、RPDP=2.74。

?

?

對于光譜預處理的作用，從表2、表3、表6的建模結果可以看出，在沒有刪除異常樣本時，在1000～2502 nm建模譜區(qū)，使用SNV+gapsegment(1#,15,7)光譜所建模型優(yōu)于原始光譜所建；在1000～1599 nm建模譜區(qū)，使用原始光譜所建模型優(yōu)于SNV+gapsegment (1#,15,7)光譜所建。在表6中，刪除異常樣本集1和集2后，原始光譜在5個建模譜區(qū)上所建模型的結果均優(yōu)于SNV+gapsegment (1#,15,7)光譜所建模型。

對于異常樣本剔除的作用，從表6中可以看出，刪除異常樣本集2后在5個譜區(qū)上所建模型均優(yōu)于刪除異常樣本集1所建模型，刪除異常樣本集1和集2的建模效果均優(yōu)于沒有刪除異常樣本集，尤其表現(xiàn)在外部驗證集中。

對于建模樣本選取方法的作用，展曉日等[28]比較了隨機取樣法，Kennard-Stone(KS)、duplex、SPXY四種訓練集取樣法對橘葉橙皮苷NIRS模型的影響，結果表明，SPXY法選取的訓練集建立的模型優(yōu)于其他三種方法。在本研究中，從表2、表3、表5、表6的建模結果可以看出，刪除異常樣本后，SPXY取樣法優(yōu)于隨機取樣法（雞種取樣）。但在沒有刪除異常樣本時，雞種選擇法的校正建模結果和交互驗證結果均優(yōu)于SPXY法的建模效果，但SPXY法外部驗證和模型穩(wěn)健性的結果要優(yōu)于雞種選擇法的建模結果。因此，異常樣本的剔除還需做深入研究。

對于特征光譜的作用，從表3和表5可以看出，使用FiPLS在全譜段篩選的建模譜區(qū)所建模型的校正建模結果優(yōu)于按光譜特征篩選的建模譜區(qū)，但外部驗證和模型穩(wěn)健性的結果低于按光譜特征篩選的建模譜區(qū)。在按光譜特征篩選的建模譜區(qū)上使用BiPLS法篩選的建模譜區(qū)要優(yōu)于FiPLS法。結合表6可以看出，Lys973-97B建模譜區(qū)相對于其他譜區(qū)建模結果的波動性最小，綜合考慮到模型建模的難易度、精確性和適用性等方面，認為胸肌賴氨酸的建模特征譜區(qū)為Lys973-97B。Qu等[29]使用FiPLS、BiPLS、FBiPLS三種方法建立水中乙醇含量的定量預測模型，發(fā)現(xiàn)FBiPLS能改善FiPLS與BiPLS貪婪搜索的特性，對特征波段的選取更高效、更具代表性。陶琳麗等[22]使用FiPLS、BiPLS、FBiPLS三種方法篩選雞腿肌凍干粉粗蛋白質NIRS模型的建模譜段，結果也表明FBiPLS法優(yōu)選出的建模譜段建模結果最優(yōu)。上述兩項研究結果與本研究不一致。而仇遜超等[30]利用BiPLS和無信息變量消除法選取特征波段，建立全波段和特征波段下的帶殼松子和松仁蛋白質近紅外預測模型，結果表明BiPLS法篩選的譜段建模結果最優(yōu)，與本研究結果一致。

3 結論

根據以上研究可以看出，雞肉賴氨酸近紅外預測模型的建立受異常樣本和建模樣本集的選擇影響較大，特征光譜的選擇對模型的適用性影響較大，光譜預處理僅在全譜段建模不做其它處理時表現(xiàn)出較好的效果。

（1）在本研究中，最優(yōu)胸肌凍干粉賴氨酸NIRS模型為使用156個校正樣本，39個外部驗證樣本，在1000～2502 nm使用原始光譜所建模型，其R2 CAL為0.92、SECV為0.3284、R2 p為0.88、RPDP為2.93。

（2）沒有進行異常樣本剔除、特征建模譜區(qū)選擇等處理時，胸肌凍干粉賴氨酸全譜段NIRS建模光譜需進行SNV+gapsegment (1#,15,7)方法預處理。

（3）建模譜區(qū)為Lys973-97B（540個光譜數據）時，使用原始光譜所建模型的適用性最強。