Применение гиперспектральной камеры CHNSpec FS-13 для неразрушающего обнаружения аминокислот в живой рыбе

В исследовании, опубликованном в «Food Research International», использовалась технология гиперспектральной визуализации в видимом и ближнем инфракрасном диапазоне для достижения неразрушающего прогнозирования содержания аминокислот в мышцах живого карпа. Это исследование было проведено совместно Шанхайским университетом океана, Китайской академией рыбных наук и другими подразделениями. В качестве оборудования для обнаружения активной зоны использовалась гиперспектральная камера ФС-13 (РисСпец ФС-13), предоставленная компанией CHNSpec Technology. Сяцзюнь Ци, инженер из CHNSpec Technology, принял активное участие в исследовании, предложив новый технический путь для оценки питательных качеств живой рыбы в режиме реального времени.

I. Предыстория исследования и требования к обнаружению
Аминокислотный состав мяса рыбы является важным показателем его пищевой и товарной ценности. Хотя традиционные методы обнаружения (такие как высокоэффективная жидкостная хроматография) точны, они разрушительны: рыбу нельзя продать дальше или использовать для селекционного разведения после обнаружения. Для сценариев применения, требующих поддержания живого статуса рыбы, таких как точное кормление, классификация по питательности и родительский отбор, в отрасли уже давно не хватает быстрого, неразрушающего и онлайн-инструмента обнаружения.

Отправная точка этого исследования заключается в следующем: может ли чешуя рыбы служить «окном» для спектральных сигналов? Может ли ближний инфракрасный свет проникать через чешую и кожу рыбы, передавая информацию о химическом составе от мышц обратно к детектору? Если это осуществимо, это фундаментально решит проблему определения питания живой рыбы.

II. Экспериментальный протокол и основное оборудование
Исследовательская группа собрала две популяции карпа разных лет и разного веса, всего 481 живую рыбу. Каждую рыбу сначала кратковременно анестезировали анестетиком MS222, а поверхность чешуи в области спинного плавника осторожно высушивали впитывающей бумагой. Затем с помощью гиперспектральной камеры CHNSpec Technology FS-13 (спектральный диапазон 400–1000 нм, спектральное разрешение 2,5 нм) были получены гиперспектральные изображения области спинного плавника чешуи. Область интереса для каждого образца охватывала 200×200 пикселей, причем каждый пиксель содержал спектральную информацию по 300 полосам.

Впоследствии был произведен отбор проб из соответствующего участка спинной мышцы, и фактическое содержание 17 аминокислот было определено с помощью высокоэффективной жидкостной хроматографии для моделирования и проверки.

III. Эффекты построения модели и прогнозирования
Исследователи сравнили пять моделей: частичную регрессию наименьших квадратов (PLSR), машину опорных векторов наименьших квадратов (LS-SVM), машину экстремального обучения (ELM), случайный лес (RF) и искусственную нейронную сеть обратного распространения ошибки (BP-ANN). Моделирование проводилось с использованием полнодиапазонных спектральных сигналов (400–1000 нм), а значения R² различных моделей в наборах обучения и прогнозирования обычно превышали 0,95.

Среди них модель BP-ANN показала относительно стабильные эффекты прогнозирования для большинства аминокислот. В независимой выборке для проверки (181 рыба из разных лет и разных условий выращивания) значения R² для проверки модели BP-ANN превысили 0,777. Валидационный R² для трех аминокислот с самым высоким содержанием — глутаминовой кислоты, аспарагиновой кислоты и лизина — достиг 0,848, 0,858 и 0,858 соответственно. Исследование также показало, что после замены полных полос характеристическими длинами волн (выбранными с помощью алгоритма CARS) улучшение точности прогнозирования было ограниченным (среднее значение R² увеличилось примерно на 0,013), что указывает на широкое распространение спектральной информации, связанной с аминокислотами.

IV. Ключевые факторы, влияющие на точность
В исследовании систематически оценивалось влияние шести факторов на точность прогнозов, и результаты показали, что: неоднородность выборки была наиболее значимым фактором, влияющим на точность. Когда модель была применена к независимым популяциям разных лет и веса, средний R² уменьшился примерно на 0,182. Это может быть связано с различиями в распределении содержания аминокислот между двумя популяциями (например, медиана большинства аминокислот в первой популяции была значительно выше, чем во второй). Несмотря на это, модель BP-ANN по-прежнему сохраняла приемлемую точность (R²> 0,777) в гетерогенных популяциях.

Напротив, тип модели, тип аминокислоты, метод выбора длины волны, масса тела рыбы и длина тела оказали меньшее влияние на точность (среднее отклонение R² менее 0,103). Например, после разделения рыб на верхнюю, среднюю и нижнюю группы по массе тела средняя разница R² для модели BP-ANN составила всего 0,076 (при использовании характеристических длин волн). Это указывает на то, что спектральный сигнал в основном обусловлен биохимическим составом мышцы, а не простыми эффектами рассеяния по физическим размерам.

Что касается характерных длин волн, алгоритм CARS выделил чувствительные полосы для глутаминовой кислоты и лизина, сконцентрированные в 516–584 нм, 707–738 нм, 828–834 нм и 939–1032 нм. Эти области связаны с обертонами и комбинационными частотами связей CH, OH и NH, что подтверждает возможность взаимодействия ближнего инфракрасного света с молекулами аминокислот в мышцах после проникновения через чешуйки.

V. Пространственное распределение и прикладная ценность
Используя спектральную информацию каждого пикселя гиперспектральной камеры FS-13, исследовательская группа нанесла на карту тепловую карту распределения общего содержания аминокислот по всему телу живой рыбы. Результаты показали, что: общее содержание аминокислот в мышцах нижней челюсти, грудном плавнике и брюшке было относительно высоким, тогда как в области спинного плавника и хвоста было относительно низким. Такое распределение соответствует функциональным различиям в типах мышечных волокон (красные мышцы и белые мышцы) в разных частях: в грудном плавнике и на брюшке преобладают медленно сокращающиеся окислительные красные мышцы, где белковый обмен более активен. Эта тепловая карта может служить визуальным ориентиром для потребителей при выборе частей с высокой пищевой ценностью.

Гиперспектральная камера CHNSpec FS-13 в сочетании с алгоритмами глубокого обучения успешно преодолела техническую проблему неразрушающего обнаружения аминокислот в живых водных продуктах, предоставив легкий и практичный инструмент обнаружения для точной аквакультуры и высококачественного скрининга водных продуктов. В будущем, благодаря постоянному совершенствованию базы данных моделей и разработке портативного оборудования, это решение можно будет распространить на различные виды пресноводных и морских рыб, помогая водной отрасли перейти на интеллектуальные технологии, стандартизацию и визуализацию питания.

Рекомендация продукта: Гиперспектральная камера FigSpecFS-13 (линейное сканирование)

• Спектральный диапазон: 400-1000 нм
• Спектральное разрешение: 2,5 нм
• Спектральные диапазоны: 1200
• Пространственные пиксели: 1920