通过机器学习辅助拉曼光谱学直接估计单个粉颗粒中的粉和粉蛋白
Imrul M Hossain1, N Pooja2, Sri Surya Charan Kondeti3
1The United Graduate School of Agricultural Sciences, Tottori University, Tottori, Japan.
Carbohydrate polymers
|July 30, 2025
概括
本研究介绍了一种使用拉曼光谱和机器学习来分析粉成分的非破坏性方法. 它在单颗粒中准确量化粉素和粉素,有助于食品质量和作物发展.
科学领域:
- 分析化学 分析化学
- 生物化学 生物化学
- 食品科学 食品科学 食品科学
背景情况:
- 粉的特性,包括消化性和质地,是由粉和粉蛋白的比例决定的.
- 传统的粉分析方法往往具有破坏性,耗时,并且缺乏空间分辨率.
研究的目的:
- 开发一种非破坏性,无标签的方法,同时对粉颗粒中的粉素和粉素素进行分类和定量.
- 应用拉曼微光谱学和机器学习进行现场粉分子分析.
主要方法:
- 收集了来自七种粉品种的拉曼光谱.
- 使用多变量分析和机器学习 (PCA,LDA,LR,SVM) 来进行光谱歧视.
- 确定了粉素 (856,941厘米−1) 和粉素 (871厘米−1) 的关键拉曼波段.
- 采用多变量曲线分辨率用于信号解卷和纯组件分析.
主要成果:
- 在单个粉颗粒中精确区分和定量粉和粉素.
- 特定的拉曼标记带的识别,表明α-1,4链接 (粉素) 和α-1,6分支 (粉素).
- 通过空间绘图揭示了粉成分的种类依赖的变化.
结论:
- 综合的拉曼光谱和机器学习方法为现场粉特征提供了强大的工具.
- 这种方法可以实现精确的分子分析,支持食品质量评估,作物选择和工业粉优化方面的应用.
