Upload
others
View
3
Download
0
Embed Size (px)
Citation preview
UNIVERZA V MARIBORU
FAKULTETA ZA KMETIJSTVO IN BIOSISTEMSKE VEDE
KMETIJSTVO
Andreja DREVENŠEK
UPORABNOST NIR SPEKTROSKOPIJE ZA
NAPOVEDOVANJE KEMIČNE SESTAVE MESA IN
MESNIH IZDELKOV
DIPLOMSKO DELO
Maribor, 2010
POPRAVKI:
Drevenšek A. Uporabnost NIRS za napovedovanje kemične sestave mesa in mesnih izdelkov III Dipl. delo. Maribor, Univerza v Mariboru, Fakulteta za kmetijstvo in biosistemske vede, 2010
Komisija za zagovor in oceno diplomskega dela:
Predsednik: izr. prof. dr. Jože Nemec
Mentor: doc. dr. Marjeta Čandek-Potokar
Somentor: red. prof. dr. Dejan Škorjanc
Član: doc. dr. Marjan Janžekovič
Lektorica: Bojana Samarin, prof.
Diplomsko delo je rezultat lastnega raziskovalnega dela.
Datum zagovora: 24.9.2010
Drevenšek A. Uporabnost NIRS za napovedovanje kemične sestave mesa in mesnih izdelkov IV Dipl. delo. Maribor, Univerza v Mariboru, Fakulteta za kmetijstvo in biosistemske vede, 2010
Uporabnost NIR spektroskopije za napovedovanje kemične sestave mesa in mesnih
izdelkov
UDK: 543.5:637.5(043.2)=863
Ugotavljali smo zanesljivost bližnje infrardeče spektroskopije (NIRS) za napovedovanje kemijske sestave
mesa in mesnih izdelkov. Vzorcem smo kemijsko določili vsebnost intramuskularne maščobe (IMM) z
ekstrakcijo po Soxhletu s predhodno hidrolizo (SIST ISO 1443, 2001), vsebnost vode (ISO 6496, 1999),
vsebnost beljakovin (ISO 5983-2, 2005) ter izračunali razmerje med vodo in beljakovinami (VB). Z aparatom
NIR Systems model 6500 (Silver Spring, MD, USA) smo posneli spektre vzorcev na območju valovnih
dolžin vidne in NIR svetlobe (400-2500 nm) ter pripravili umeritvene enačbe (WinISI II programski paket)
za različna spektralna območja (NIR, vidni ali celoten spekter) znotraj mišice, za različne mišice ter na vseh
vzorcih skupaj. Točnost kalibracij smo ocenili s statističnimi parametri: determinacijski koeficient navzkrižne
validacije (R2CV) in predikcije (R2
P), standardna napaka navzkrižne validacije (SECV) in predikcije (SEP) ter
razmerjem med standardnim odklonom referenčnih vrednosti in standardno napako (RPD). Točnost
napovedovanja je bila pri vseh enačbah odlična za vsebnost IMM (RCV: 0,91- 0,98; RPD: 3,40-6,74). Za
ostale lastnosti je bila točnost (z izjemo slabe točnosti kalibracij znotraj mišice longissimus dorsi) le malo
slabša (za beljakovine RCV: 0,80-0,91, RPD: 2,26-3,29; za vodo RCV: 0,73-0,98, RPD: 1,92-7,55; za VB: RCV:
0,65-0,92, RPD: 1,68-3,43). Glede na različne kazalce kalibracijske statistike lahko zaključimo, da lahko z
NIRS zelo točno napovedujemo kemično sestavo mesa in mesnih izdelkov (z izjemo kalibracij za vsebnost
beljakovin znotraj mišice longissimus dorsi).
Ključne besede: NIR spektroskopija, meso, mesni izdelki, kemijska sestava
OP: VII, 26 s., 5 pregl., 47 ref.
Drevenšek A. Uporabnost NIRS za napovedovanje kemične sestave mesa in mesnih izdelkov V Dipl. delo. Maribor, Univerza v Mariboru, Fakulteta za kmetijstvo in biosistemske vede, 2010
Ability of NIR spectroscopy to predict chemical composition of meat and meat
products
The aim of this study was to determine the accuracy of predicting chemical composition of meat and meat
products by near infrared spectroscopy (NIRS). For each sample we chemically determined intramuscular fat
(IMF) content using Soxhlet extraction with hydrolysis (SIST ISO 1443, 2001), moisture content (ISO 6496,
1999), protein content (ISO 5983-2, 2005) and calculatedratio moisture-to-protein. Sample spectra were
recorded with spectrophotometer NIR Systems model 6500 (Silver Spring, MD, USA) at the spectral range
of visible and NIR wavelengths (400-2500 nm). Calibration equations were prepared using WinISI II
software for various spectral ranges (NIR, visible or the whole spectrum) for a single muscle, several muscles
and all samples together. The accuracy of calibration was assessed by the following statistical parameters:
coefficient of determination in cross-validation (R2CV) and prediction (R2
P), standard error of cross-validation
(SECV) and prediction (SEP) and the ratio between standard deviation of reference values and standard error
(RPD). All equations showed very good accuracy to predict IMF content (RCV: 0,91-0,98; RPD: 3,40-6,74).
For other constituents the accuracy (with the exception of the low accuracy of calibrations within longissimus
dorsi muscle sample group ) was slightly lower (for proteins RCV: 0,80-0,91, RPD: 2,26-3,29; moisture: RCV:
0,73-0,98, RPD: 1,92-7,55; moisture and protein ratio: RCV: 0,65-0,92, RPD: 1,68-3,43). Based on
parameters of calibration statistics we can conclude that it is possible to accurately predict the chemical
composition of meat and meat products with NIRS (with the exception of protein content in the longissimus
dorsi sample group).
Key words: NIR spectroscopy, meat, meat products, chemical composition
NO: VII, 26 P., 5 Tab., 47 Ref.
Drevenšek A. Uporabnost NIRS za napovedovanje kemične sestave mesa in mesnih izdelkov VI Dipl. delo. Maribor, Univerza v Mariboru, Fakulteta za kmetijstvo in biosistemske vede, 2010
KAZALO VSEBINE
1 UVOD ................................................................................................................................. 1
2 PREGLED OBJAV ............................................................................................................ 2
2.1 NIRS ............................................................................................................................ 2
2.2 Uporabnost NIRS za določanje kemične sestave mesa in mesnih izdelkov ................ 3
3 MATERIAL IN METODE ................................................................................................. 7
3.1 Vzorčenje in priprava vzorcev ..................................................................................... 7
3.2 Kemične analize ........................................................................................................... 7
3.2.1 Določitev vsebnosti IMM z ekstrakcijo po Soxhletu s predhodno hidrolizo ........ 7
3.2.2 Določitev vsebnosti vode ...................................................................................... 8
3.2.3 Določitev vsebnosti beljakovin ............................................................................. 8
3.2.4 Izračun razmerja med vsebnostjo vode in beljakovin ........................................... 8
3.3 NIRS ............................................................................................................................ 8
3.3.1 Snemanje spektrov ................................................................................................ 9
3.3.2 Kalibracija in validacija ........................................................................................ 9
4 REZULTATI Z RAZPRAVO .......................................................................................... 12
4.1 Napovedovanje vsebnosti IMM ................................................................................. 13
4.2 Napovedovanje vsebnosti beljakovin ........................................................................ 13
4.3 Napovedovanje vsebnosti vode ................................................................................. 14
4.4 Napovedovanje razmerja vode in beljakovin ............................................................. 14
5 SKLEPI ............................................................................................................................. 19
6 VIRI .................................................................................................................................. 20
7 ZAHVALA ....................................................................................................................... 26
Drevenšek A. Uporabnost NIRS za napovedovanje kemične sestave mesa in mesnih izdelkov VII Dipl. delo. Maribor, Univerza v Mariboru, Fakulteta za kmetijstvo in biosistemske vede, 2010
KAZALO PREGLEDNIC
Preglednica 1: Lastnosti učnih in testnih nizov za posamezne vrste vzorcev ..................... 10
Preglednica 2: Napovedovanje vsebnosti IMM .................................................................. 15
Preglednica 3: Napovedovanje vsebnosti beljakovin .......................................................... 16
Preglednica 4: Napovedovanje vsebnosti vode ................................................................... 17
Preglednica 5: Napovedovanje razmerja VB....................................................................... 18
Drevenšek A. Uporabnost NIRS za napovedovanje kemične sestave mesa in mesnih izdelkov 1 Dipl. delo. Maribor, Univerza v Mariboru, Fakulteta za kmetijstvo in biosistemske vede, 2010
1 UVOD
Kemična sestava mesa je eden izmed mnogih vidikov kakovosti mesa (poleg tehnološke,
senzorične kakovosti, prehranske vrednosti itd.). Za določanje kemične sestave mesa se
uporabljajo klasične kemijske metode, ki so večinoma zamudne, drage in pogosto okolju
neprijazne. Za nameček so neprimerne za uporabo v industrijskih pogojih. Vse večja
potreba po preverjanju sestave in kakovosti mesa v industrijskih pogojih je povzročila
zanimanje za preučevanje različnih alternativnih metod, ki omogočajo določanje lastnosti
na hiter, nedestruktiven in relativno poceni način.
V zadnjem desetletju je bilo objavljenih precej raziskav na temo uporabnosti spektralnih
informacij (npr. bližnja infrardeča, ang. near infrared, s kratico NIR) spektroskopije za
analize mesa. Rezultati teh raziskav kažejo, da je NIR spektroskopija zelo obetavna metoda
za tovrstne namene. Prednosti NIR spektroskopije v primerjavi s klasičnimi kemijskimi
metodami so hitrost, enostavnost in možnost hkratnega določanja večjega števila različnih
parametrov. Uporaba te metode v industriji mesa bi omogočila pravočasno razvrščanje
surovega mesa v ustrezne predelovalne postopke in redno preverjanje/nadzorovanje
kemijske sestave mesa in mesnih izdelkov. Prav tako bi lahko potrošniki dobili informacije
o sestavi mesa in o njegovi prehranski vrednosti.
Osnovni namen naloge je bil preveriti uporabnost NIR spektroskopije za določanje
kemične sestave mesa in mesnih izdelkov. Kalibracijske modele oziroma modele za
napovedovanje smo pripravili za glavne kemijske komponente mesa in mesnih izdelkov
(vsebnost maščob, beljakovin in vode), pri čemer smo poudarili testiranje vrste
uporabljenega vzorca: ena mišica, več mišic istega speciesa, različne mišice različnih
speciesov in kombinacija različnih vrst mesa in mesnih izdelkov.
Drevenšek A. Uporabnost NIRS za napovedovanje kemične sestave mesa in mesnih izdelkov 2 Dipl. delo. Maribor, Univerza v Mariboru, Fakulteta za kmetijstvo in biosistemske vede, 2010
2 PREGLED OBJAV
2.1 NIRS
Infrardeče območje spektra elektromagnetnega valovanja lahko s stališča aplikacije in
instrumentov razdelimo na: bližnje (angl. near, NIR; λ = 780-2500 nm, ν = 3,8x1014-
1,2x1014 Hz), srednje (angl. middle, MIR; λ = 2500-50000 nm, ν = 1,2x1014-6,0x1012 Hz)
in daljne (angl. far, FIR; λ = 50000-100000 nm, ν = 6,0x1012-3,0x1011 Hz) IR spektre
(Rudan-Tasič in Klofutar, 2007).
Merjenje odboja svetlobe temelji na absorpciji elektromagnetnega valovanja pri različnih
valovnih dolžinah. Pri analizi merimo delež vpadnega valovanja, ki se razpršeno odbije od
pripravljenega vzorca. Pri obsevanju snovi organskega izvora z infrardečo svetlobo se
različne (npr. C-H, O-H in N-H) kemijske vezi raztegujejo in ukrivljajo ter tako
absorbirajo del valovanja. S tem dobimo informacije o elementarnih sestavinah in
molekulah, ki sestavljajo organske snovi. Te molekulske vezi in z njimi povezane
sekundarne strukture so primarni sestavni deli vseh organskih snovi. S pomočjo NIRS-a
lahko pri posameznem vzorcu izmerimo odbito in posredno tudi absorbirano valovanje
širšega valovnega spektra. Tako pridobimo veliko informacij o kemični sestavi in
fizikalnih lastnostih snovi (povzeto po Rudan-Tasič in Klofutar 2007).
Specifično vpijanje O-H vezi pri 1450 in 1940 nm infrardečega spektra, N-H vezi pri
1460-1570 nm in 2000-2180 nm za beljakovine ter C-H vezi pri 1100-1400, 1700 in 2200-
2400 nm za maščobne kisline pojasnjuje NIR napovedovanje za določene sestavine (Prieto
in sod. 2009).
Z NIRS lahko na splošno ocenjujemo najpomembnejše organske sestavine v materialih
rastlinskega in živalskega izvora. Metoda je zelo primerna za širšo prakso, saj lahko hitro
in hkrati ocenjujemo večje število parametrov brez posebnih priprav vzorcev (Žnidaršič
2007). Merjenje refleksije oz. difuznega odboja v področju NIR se je uveljavilo pri
Drevenšek A. Uporabnost NIRS za napovedovanje kemične sestave mesa in mesnih izdelkov 3 Dipl. delo. Maribor, Univerza v Mariboru, Fakulteta za kmetijstvo in biosistemske vede, 2010
določanju maščob v oljaricah, pri karakterizaciji rastlinskih olj, druga področja uporabe pa
so še analiza mlečnih izdelkov, mesa in mesnih izdelkov, testenin, čokolade in podobno
(Rudan-Tasič in Klofutar 2007). Pomanjkljivosti te metode pa so njena odvisnost od
referenčne metode, šibka občutljivost za snovi v majhnih koncentracijah, omejen prenos
umeritvenih enačb zaradi različnih optičnih lastnosti instrumentov ter zapletena
interpretacija spektralnih podatkov (Büning-Pfaue 2003).
Kljub temu, da so prve poskuse uporabe NIRS izvedli že pred 40 leti, je večina raziskav na
mesu omejena na zadnje desetletje. Pregled raziskav o uporabnosti NIRS za
napovedovanje kemične sestave, kakovosti mesa in mesnih izdelkov ter razvrščanje mesa
(npr. razlikovanje reje, prisotnost določenih genov itd.) najdemo v preglednih člankih
Prevolnik in sod. (2004) ter Prieto in sod. (2009).
2.2 Uporabnost NIRS za določanje kemične sestave mesa in mesnih izdelkov
Uporabnost NIRS za določanje kemične sestave mesa so preučevali mnogi raziskovalci in
razvili številne kalibracije za analizo govejega (Eichinger in Beck 1992, Alomar in sod.
2003, Tøgersen in sod. 2003, Prevolnik in sod. 2005, Prieto in sod. 2006, De Marchi in
sod. 2007, Ripoll in sod. 2008), perutninskega (Valdes in Summers 1986, Renden in sod.
1986, Abeni in Bergoglio 2001, Viljoen in sod. 2005) in prašičjega mesa (Tøgersen in sod.
1999, Brøndum in sod. 2000, Chan in sod. 2002, Hoving- Bolink in sod. 2005, Prevolnik in
sod. 2005, Barlocco in sod. 2006). Opravljene so bile tudi raziskave na zajčjem (Masoero
in sod. 1994) in ovčjem mesu (Cozzolino in sod. 2000, Andrés in sod. 2007, Viljoen in
sod. 2007). Večina raziskovalcev se osredotoča predvsem na napovedovanje ene ali več
glavnih sestavin mesa, kot so maščobe, voda in beljakovine (Cozzolino in sod. 1996,
Tøgersen in sod. 1999, Prevolnik in sod. 2005), najdemo pa tudi poskuse napovedovanja
pepela (Masoero in sod. 1994, Alomar in sod. 2003), suhe snovi (Alomar in sod. 2003,
Viljoen in sod. 2005, Prieto in sod. 2006), kolagena (Young in sod. 1996, Alomar in sod.
2003), mioglobina (Prieto in sod. 2006, Ripoll in sod. 2008), maščobnih kislin (Gonzales-
Drevenšek A. Uporabnost NIRS za napovedovanje kemične sestave mesa in mesnih izdelkov 4 Dipl. delo. Maribor, Univerza v Mariboru, Fakulteta za kmetijstvo in biosistemske vede, 2010
Martin in sod. 2002, Molette in sod. 2001, Ripoche in Guillard 2001, Windham in
Morrison 1998) in holesterola (Masoero in sod. 1994) z NIRS.
Raziskave o uporabnosti NIRS za analize na mesu in mesnih izdelkih so zelo raznolike.
Moderna oprema NIRS ponuja različne statistične metode za pripravo kalibracij: PLS
(»partial least square«), mPLS (»modified partial least square«), PCR (»principal
component«), MLR (»multiple linear regression«) in nelinearno metodo – nevronske
mreže (»neural networks«) (WinISI II, 2000). V raziskavah variira tudi število vzorcev, ki
se najpogosteje giblje med 50 in 100. Število vzorcev mora biti dovolj veliko, da pokriva
variacijsko območje za določeno lastnost/sestavino. V raziskavah se pojavljajo tudi razlike
v vrsti uporabljenega vzorca. V raziskavah so umeritvene enačbe pripravljene za
posamezno mišico (Eichinger in Beck 1992), za več mišic enega (Cozzolino in sod. 2000)
ali več speciesov skupaj (Tøgersen in sod. 1999) ali pa za enega ali več vrst mesnih
izdelkov (Gaitán-Jurado in sod. 2008, Gonzáles-Martín 2009, Collell in sod. 2010).
Raziskave se nadalje razlikujejo v pripravi vzorcev. Večina raziskav napovedovanja
kemične sestave je narejena na mletih vzorcih (Sanderson in sod. 2007, Tøgerson in sod.
1999, Alomar in sod. 2003, Prevolnik in sod. 2005, Prieto in sod. 2006, Ripoll in sod.
2008), manj pa na intaktnih (Eichinger in Beck 1992, Cozzolino in sod. 2000, Cozzolino in
Murray 2002, Tøgersen in sod. 2003, Prevolnik in sod. 2005).
Raziskovalci so sprva delili vzorce na dva dela: serija vzorcev za kalibracijo in serija
neodvisnih vzorcev za napovedovanje (Valdes in Summers 1986, Eichinger in Beck 1992).
Novejši instrumenti (npr. WinISI) pa točnost napovedovanja ocenijo s pomočjo
navzkrižnega preverjanja na istih vzorcih, ki so bili predhodno uporabljeni za kalibracijo.
V literaturi najdemo nekaj raziskav na mesu in mesnih izdelkih (Čandek-Potokar in sod.
2006, Ortiz-Somovilla in sod. 2007, Gaitán-Jurado in sod. 2008), ki potrjujejo, da sta oba
načina validacije primerljiva/enakovredna.
Po mnenju raziskovalcev sodi NIRS med najbolj obetavne metode za določanje različnih
lastnosti kakovosti mesa (Monin 1998). Kljub številnim raziskavam pa je uporabnost te
metode za ocenjevanje kemične sestave in kakovosti mesa v industrijskih pogojih (on-line)
Drevenšek A. Uporabnost NIRS za napovedovanje kemične sestave mesa in mesnih izdelkov 5 Dipl. delo. Maribor, Univerza v Mariboru, Fakulteta za kmetijstvo in biosistemske vede, 2010
še zelo omejena, čeprav se kaže kot dovolj natančna alternativa dragim in zamudnim
kemičnim analizam. Praktičen pomen NIRS se kaže tudi v hkratnih določitvah večjega
števila različnih lastnosti, kar je nadvse primerno v industriji in pri selekciji v živinoreji.
Omejenost uporabe pa se kaže predvsem v pripravi umeritev, ki je odvisna od namena
uporabe ter od zanesljivosti referenčne metode, za vsako lastnost, ki jo želimo napovedati.
Kot kazalci točnosti napovedovanja z NIRS se v večini člankov uporabljajo statistični
parametri, med katerimi se najpogosteje pojavljata determinacijski koeficient (R2) in
napaka napovedovanja (SE). Pogosto avtorji navajajo tudi t.i. parameter RPD (razmerje
med standardnim odklonom (SD) referenčnih vrednosti in napako napovedovanja), ki
obravnava napake napovedovanja v okviru variabilnosti kemijskih (referenčnih) vrednosti.
RPD je pomemben tudi zaradi primerjave različnih kemijskih komponent, saj v primeru
različnih variacijskih območij kemijskih komponent napak napovedovanja ne moremo
neposredno primerjati, temveč moramo upoštevati variabilnost. Glede na priporočila iz
literature (Cozzolino in sod. 2000, Alomar in sod. 2003, Prieto in sod. 2008) je
napovedovanje zanesljivo, kadar RPD presega 3,0. Iz različnih raziskav je razvidno, da je
točnost napovedovanja kemične sestave mesa z NIRS večinoma zelo dobra, kar potrjujejo
visoki determinacijski koeficienti (R2) in nizke standardne napake (SE). Najboljši rezultati
pri kalibraciji in validaciji se nanašajo na določanje vsebnosti intramuskularne maščobe,
medtem ko je točnost kalibracij (umeritvenih enačb) za beljakovine in vodo nekoliko
slabša. Večina raziskav je narejena na celotnem spektru, ki vključuje območje vidne (λ =
400–800 nm) in NIR- svetlobe (λ = 1100–2500 nm) (Eichinger in Beck 1992, Cozzolino in
sod. 1996, Molette in sod. 2001, Alomar in sod. 2003).
O določanju IMM v mesu so narejene številne raziskave, ki kažejo dobre rezultate. Tako so
pri govedini najvišje vrednosti R2 na mletem mesu (0,98) (Prevolnik in sod. 2005), RPD
vrednosti pa dosegajo celo 9,23 pri sveže mletem mesu (De Marchi in sod. 2007). Prav
tako dobri rezultati se kažejo tudi pri svinjini (RPD= 8,3) (Prevolnik in sod. 2005) in na
perutnini (R2 = 0,93-0,98; RPD = 4,35-10,09) (Abeni in Bergoglio 2001, Windham in sod.
2003, Viljoen in sod. 2005).
Drevenšek A. Uporabnost NIRS za napovedovanje kemične sestave mesa in mesnih izdelkov 6 Dipl. delo. Maribor, Univerza v Mariboru, Fakulteta za kmetijstvo in biosistemske vede, 2010
Glede na številne raziskave o uporabnosti NIRS za določanje kemične sestave mesa pa je
bilo na mesnih izdelkih narejenih relativno malo raziskav (pregled je predstavljen v Prieto
in sod. 2009). Raziskave so bile narejene predvsem na svinjskih klobasah (Ortiz-Somovilla
in sod. 2007, Gaitán-Jurado in sod. 2008) in kažejo veliko točnost napovedovanja kemične
sestave mesnih izdelkov z NIRS.
Drevenšek A. Uporabnost NIRS za napovedovanje kemične sestave mesa in mesnih izdelkov 7 Dipl. delo. Maribor, Univerza v Mariboru, Fakulteta za kmetijstvo in biosistemske vede, 2010
3 MATERIAL IN METODE
3.1 Vzorčenje in priprava vzorcev
Vzorci mesa so bili zbrani v petletnem obdobju v različnih komercialnih klavnicah. Pri
vzorčenju smo zajeli živali različnih pasem, tež, starosti in farm.
V raziskavi smo uporabili 267 vzorcev surovega mesa in mesnih izdelkov. Vzorce smo
razdelili v štiri skupine:
- prašičja mišica longissimus dorsi (LD),
- različne prašičje mišice,
- različne mišice različnih speciesov in
- meso in mesni izdelki.
Prva skupina je obsegala 84 vzorcev prašičje mišice LD, drugo skupino je sestavljalo 130
vzorcev različnih prašičjih mišic (LD, ST (semitendinosus), SM (semimembranosus), BF
(biceps femoris)), tretja skupina je vsebovala 227 vzorcev različnih mišic (LD, BF, TB
(triceps brachii)) različnih speciesov (prašič, govedo, perutnina, jagnjetina, zajec) in v
četrti skupini je bilo 267 vzorcev surovega mesa in mesnih izdelkov (klobase, hrenovke,
pršut).
3.2 Kemične analize
3.2.1 Določitev vsebnosti IMM z ekstrakcijo po Soxhletu s predhodno hidrolizo
Kemijska metoda, ki smo jo uporabili za določitev vsebnosti IMM, je bila ekstrakcija po
Soxhletu s predhodno hidrolizo, ki je opisana v standardu SIST ISO 1443: 2001 z uporabo
aparata Büchi Extraction System B-811 (Büchi Labortechnik AG, Flawil, Switzerland). Pri
tej metodi smo vzorec mišičnine predhodno kuhali v razredčeni HCl (hidroliza). Hidrolizat
Drevenšek A. Uporabnost NIRS za napovedovanje kemične sestave mesa in mesnih izdelkov 8 Dipl. delo. Maribor, Univerza v Mariboru, Fakulteta za kmetijstvo in biosistemske vede, 2010
smo prefiltrirali skozi plast kvarca in celita ter ekstrahirali s petroletrom. S to metodo smo
določali vsebnost IMM samo v mišičnini prašičev.
3.2.2 Določitev vsebnosti vode
Določitev vsebnosti vode smo izvedli po standardu ISO 6496 (1999), pri čemer smo 5 g
vzorca za kratek čas zmešali z enako količino kremenastega peska in sušili pri 103 °C do
konstantne mase vzorca. Zabeležili smo izgubo mase pri sušenju in jo izrazili kot odstotek
vode v vzorcu.
3.2.3 Določitev vsebnosti beljakovin
Vsebnost beljakovin smo izračunali iz celokupne vsebnosti dušika, ki smo jo določili po
mednarodnem standardu ISO 5983-2 (2005), z uporabo analizatorja dušika Kjeltec 2300
(Foss Analytical, Hileroed, Danska). Organsko snov v vzorcih smo razgradili s kratkim
segrevanjem z žvepleno (VI) kislino in prisotnostjo katalizatorjev. Po dodatku baze NaOH
smo izhajajoči plin amoniaka raztopili v raztopini borove kisline in titrirali s solno kislino.
Celotno vsebnost dušika smo izračunali iz količine solne kisline, ki smo jo porabili za
titracijo. Vsebnost beljakovin smo določili tako, da smo dobljeno vsebnost dušika
pomnožili s 6,25.
3.2.4 Izračun razmerja med vsebnostjo vode in beljakovin
Iz dobljenih podatkov smo izračunali razmerje med vodo in beljakovinami (razmerje VB).
3.3 NIRS
Drevenšek A. Uporabnost NIRS za napovedovanje kemične sestave mesa in mesnih izdelkov 9 Dipl. delo. Maribor, Univerza v Mariboru, Fakulteta za kmetijstvo in biosistemske vede, 2010
3.3.1 Snemanje spektrov
Spektre vzorcev mesa in mesnih izdelkov smo posneli s spektrofotometrom NIR Systems
model 6500 (Silver Spring, MD, USA) na spektralnem območju od 400 do 2500 nm, ki
vključuje NIR spekter (λ = 1100–2500 nm) in spekter vidne svetlobe (λ = 400–1100 nm).
Pri snemanju spektrov so točke, kjer izvaja meritve, oddaljene 2 nm (interval 2 nm), kar
pomeni 1036 vrednosti na celotnem spektru, 343 vrednosti na vidnem spektru in 639
vrednosti na NIR spektru. Posneli smo spektre mletih vzorcev različnih vrst mesa in
mesnih izdelkov. Za vsak vzorec smo posneli en spekter. Meritve so podane kot log 1/R,
kjer R predstavlja odbojnost/refleksijo.
3.3.2 Kalibracija in validacija
Pred spektralno analizo podatkov, ki smo jo naredili s programom WinISI II (WinISI
Manual, 2000), smo vzorce razdelili na učni (kalibracijski) in testni (predikcijski) set s
pomočjo posebne aplikacije (»Make and Use Scores«) programa WinISI, ki pri razdelitvi
upošteva lastnosti spektrov in referenčne vrednosti. Razdelitev smo izvedli za vsako
kemijsko sestavino in vrsto vzorca posebej. V učni set je bilo neodvisno od kemijske
sestavine in vrste vzorca vključenih približno 2/3 vzorcev, ostali pa so bili uvrščeni v učni
set podatkov. Lastnosti izbranih učnih in testnih nizov za posamezne kemijske sestavine in
vrste vzorcev so predstavljeni v Preglednici 1. Učni niz smo uporabili za pripravo
kalibracijskih modelov in navzkrižno validacijo, testni set podatkov pa za neodvisno
testiranje modelov na neznanih vzorcih.
Drevenšek A. Uporabnost NIRS za napovedovanje kemične sestave mesa in mesnih izdelkov 10 Dipl. delo. Maribor, Univerza v Mariboru, Fakulteta za kmetijstvo in biosistemske vede, 2010
Preglednica 1: Lastnosti učnih in testnih nizov za posamezne vrste vzorcev
Povprečje ± standardni odklon
Vrsta vzorca n IMM beljakovine Voda Razmerje VB
Prašičja mišica LD
Učni niz 58-60 2,04±1,37 22,6±1,25 73,57±1,43 3,26±0,19
Testni niz 24-26 1,70±0,77 22,82±0,94 74,00±0,65 3,28±0,20
Različne prašičje mišice
Učni niz 89-91 3,00±2,00 21,62±1,73 73,67±1,52 3,43±0,29
Testni niz 39-41 3,31±2,59 21,66±1,77 73,92±0,94 3,44±0,28
Različne mišice različnih speciesov
Učni niz 154-156 3,85±2,94 21,22±1,88 73,61±1,90 3,50±0,32
Testni niz 71-73 3,85±2,78 21,69±1,78 74,13±1,60 3,50±0,29
Meso in mesni izdelki
Učni niz 181-183 5,83±7,51 21,22±3,43 70,96±9,36 3,41±0,67
Testni niz 84-86 6,48±8,95 20,78±2,75 71,64±7,43 3,58±0,52
LD - mišica longissimus dorsi, n - število vzorcev, IMM - intramuskularna maščoba, Razmerje VB - razmerje med vodo in beljakovinami
Preden lahko NIRS uporabljamo za rutinske določitve, je treba narediti umeritvene enačbe
oz. modele za napovedovanje, ki smo jih razvili na osnovi posnetih spektrov vzorcev mesa
in rezultatov kemijskih analiz. Pri pripravi umeritvenih enačb moramo izbrati oz. določiti
številne parametre, pri čemer imamo na voljo različne možnosti. V večini primerov ne
obstaja ena sama najboljša kombinacija izbire teh parametrov. Za pripravo enačb smo
izbrali regresijsko metodo »mPLS« (»modified partial least squares«) postopek validacije z
navzkrižno preveritvijo (»cross validation«) in postopek za korekcijo razpršenosti »SNV
and Detrend«. Med številnimi možnimi matematičnimi postopki smo izbrali postopek 1 4
4 1, kjer prva številka pomeni stopnjo odvoda, druga razmik med točkami (1 točka = 2nm)
na spektru za izračun odvoda, tretja in četrta pa razmik med točkami na spektru za prvo in
drugo zgladitev krivulje. Vzorci, pri katerih je razlika med dejansko in napovedano
presegla 3 standardne odklone, so bili obravnavani kot ubežniki (outlierji). Število PLS
Drevenšek A. Uporabnost NIRS za napovedovanje kemične sestave mesa in mesnih izdelkov 11 Dipl. delo. Maribor, Univerza v Mariboru, Fakulteta za kmetijstvo in biosistemske vede, 2010
smo omejili na 16, optimalno število PLS faktorjev pa smo določili na osnovi zniževanja
napake pri navzkrižni validaciji.
Pri pripravi kalibracij smo testirali:
1.) Spekter (vidni, NIR, skupen)
2.) Vrsta vzorca (prašičja mišica LD, različne prašičje mišice, različne mišice različnih
speciesov, meso in mesni izdelki)
Rezultat kalibracije in validacije modelov je podan v obliki statističnih parametrov,
povprečja ( x ), standardnega odklona (SD), ocenjenega minimuma (oc. min) in
maksimuma (oc. max) za vzorec ter kazalcev točnosti enačb:
− determinacijskega koeficienta kalibracije (R2C);
− standardne napake kalibracije (SEC);
− determinacijskega koeficienta navzkrižne validacije (R2CV);
− standardne napake navzkrižne validacije (SECV);
− determinacijskega koeficienta predikcije (R2P);
− standardne napake predikcije (SEP);
− parametra RPD, ki smo ga izračunali kot razmerje med SD referenčnih vrednosti in
napako (SECV ali SEP).
Drevenšek A. Uporabnost NIRS za napovedovanje kemične sestave mesa in mesnih izdelkov 12 Dipl. delo. Maribor, Univerza v Mariboru, Fakulteta za kmetijstvo in biosistemske vede, 2010
4 REZULTATI Z RAZPRAVO
Posebnost te raziskave je v tem, da smo izvajali poskus na velikem vzorcu, ki je zajemal
različne mišice, različne speciese in različne mesne izdelke. V literaturi se namreč
pojavljajo raziskave, ki zajemajo eno mišico enega speciesa (Prieto in sod. 2006, Prieto in
sod. 2009), več različnih mišic enega speciesa (Cozzolino in sod. 1996, Cozzolino in sod.
2000, Alomar in sod. 2003, Tøgersen in sod. 2003, Viljoen in sod. 2007), različne mišice
dveh različnih speciesov (Tøgersen in sod. 1999), različne mišice različnih speciesov
(Cozzolino in Murray 2002), en mesni izdelek (Gaitán-Jurado in sod. 2008, Collell in sod.
2010) in različne mesne izdelke (Gonzáles-Martín, 2009). Raziskave, ki bi zajemala hkrati
različne vrste mesa in mesnih izdelkov, v nam dostopni literaturi nismo našli.
V pričujoči raziskavi so rezultati predstavljeni kot statistični parametri kalibracije (R2C in
SEC), navzkrižne validacije (R2CV in SECV) in neodvisne predikcije (R2
P in SEP).
Navzkrižna validacija in predikcija predstavljata dva različna načina validacije. Pri
navzkrižni validaciji smo testirali modele na kalibracijskem setu, medtem ko smo pri
predikciji modele testirali na neodvisnem predikcijskem setu vzorcev. V splošnem so
rezultati neodvisne predikcije potrdili rezultate navzkrižne validacije, kar je v skladu z
nekaterimi predhodnjimi raziskavami (Čandek-Potokar in sod. 2006). Iz tega razloga smo
se pri komentarjih osredotočili predvsem na statistične kazalce navzkrižne validacije.
V primeru, ko preučevane spremenljivke zavzemajo različna variacijska območja, napak
napovedovanja ne moremo neposredno primerjati. V naši raziskavi prav tako obravnavamo
spremenljivke z različnimi variacijskimi širinami, saj imamo štiri različne kemijske
komponente in štiri različne vrste vzorcev. V takšnih primerih moramo napake
napovedovanja obravnavati glede na variabilnost referenčnih vrednosti. V ta namen smo
po priporočilih iz literature (Kennedy in sod. 1996, Andrés in sod. 2008, Prieto in sod.
2008) kot dodatni indikator kakovosti modelov uporabili še parameter RPD (razmerje med
SD in SE). Pri zanesljivih napovedih naj bi RPD znašal vsaj 3,0. Nižje RPD vrednosti so
posledica ozke variacijske širine referenčnih vrednosti (nizek SD) ali veliki napaki
Drevenšek A. Uporabnost NIRS za napovedovanje kemične sestave mesa in mesnih izdelkov 13 Dipl. delo. Maribor, Univerza v Mariboru, Fakulteta za kmetijstvo in biosistemske vede, 2010
napovedovanja z NIRS v primerjavi s SD referenčnih vrednosti (Kennedy in sod. 1996,
Andrés in sod. 2008, Prieto in sod. 2008).
4.1 Napovedovanje vsebnosti IMM
Neodvisno od vrste vzorca smo dobili najboljše rezultate navzkrižne validacije pri
napovedovanju vsebnosti IMM, saj so bile vse vrednosti R2 večje od 0,91, vrednosti RPD
pa večje od 3,40. Najvišje vrednosti R2 (0,98) smo dobili iz vzorca različnih prašičjih
mišic, kjer je bila najvišja vrednost RPD = 6,74. Na celem in NIR spektru so rezultati
primerljivi, medtem ko so na vidnem spektru nekoliko slabši. Dobri rezultati za
napovedovanje vsebnosti IMM so v skladu s številnimi rezultati iz literature (Abeni in
Bergoglio 2001, Windham in sod. 2003, Prevolnik in sod. 2005, Viljoen in sod. 2005, De
Marchi in sod. 2007), najdemo pa tudi raziskave, kjer se napovedovanje ni izkazalo za
uspešno (Brøndum in sod. 2000, Cozzolino in sod. 2000, Hoving- Bolink in sod. 2005,
Ripoll in sod. 2008).
4.2 Napovedovanje vsebnosti beljakovin
Za določevanje beljakovin so bili rezultati na splošno slabši kot pri napovedovanju IMM.
Primerljivi so znotraj vseh spektrov in vrst vzorcev, razen v prašičji mišici LD, kjer so
vrednosti R2 pod 0,06 in RPD pod 1,03. Najboljše napovedi vsebnosti beljakovin smo
dobili na vzorcu mesa in mesnih izdelkov (R2 = 0,91, RPD = 3,29). V preteklih raziskavah
se pojavi najboljši rezultat za R2 0,99 (De Marchi in sod. 2007), sicer pa se vrednosti
gibljejo od 0,38 (Tøgersen in sod. 1999) do 0,96 (Viljoen in sod. 2005). RPD doseže
najboljši rezultat pri perutnini (5,4) (Cozzolino in Murray 2002). Slabe rezultate v prašičji
mišici LD lahko pripišemo majhni variacijski širini vsebnosti beljakovin v tej mišici, o
čemer so Prieto in sod. (2006) in Ripoll in sod. (2008) poročali tudi za govejo mišico LD.
Beljakovine so v mesu namreč najbolj konstantna kemijska komponenta. Na slabše
rezultate napovedovanja lahko vpliva tudi razlika v metodah (Kjeldahl vs. NIRS), saj smo
Drevenšek A. Uporabnost NIRS za napovedovanje kemične sestave mesa in mesnih izdelkov 14 Dipl. delo. Maribor, Univerza v Mariboru, Fakulteta za kmetijstvo in biosistemske vede, 2010
vsebnost beljakovin kemično določili ob predpostavki, da se ves dušik v mesu nahaja v
beljakovinah, čeprav ga je približno 13 % (Čandek-Potokar in sod. 2002) v drugih oblikah.
4.3 Napovedovanje vsebnosti vode
Podobne rezultate kot pri napovedovanju vsebnosti beljakovin smo dobili pri
napovedovanju vsebnosti vode. Najboljši rezultati so bili v vzorcu mesa in mesnih
izdelkov (R2 = 0,98, RPD = 7,55), ki so sicer primerljivi z vsemi vzorci, razen s prašičjo
mišico LD, kjer smo ponovno dobili slabše rezultate (R2 manjši od 0,80 in RPD manjši od
2,20). Raziskovalci v literaturi navajajo večinoma slabše rezultate od naših, z nekaj
izjemami (R2 zaseda vrednosti vse od 0,94 (Kestens in sod. 2008) pa do 0,07 (Cozzolino in
Murray 2002), RPD pa od 4,80 (Cozzolino in Murray 2002) do 1,57 (Andrés in sod.
2007)).
4.4 Napovedovanje razmerja vode in beljakovin
Najboljše vrednosti smo dobili pri različnih prašičjih mišicah v vidnem spektru (R2 = 0,92,
RPD = 3,43), čeprav so bili rezultati za vse tri spektre skupno boljši v vzorcu mesa in
mesnih izdelkov (R2 > 0,86 in RPD > 2,67). Najslabši rezultati so bili zopet v vzorcu
prašičje mišice LD (R2 < 0,60 in RPD < 1,55). Za določanje razmerja vode in beljakovin v
mesu v literaturi nismo našli podatkov. Razmerje VB je pomemben pokazatelj tehnološke
kakovosti mesa, in sicer sposobnosti za vezavo vode, predvsem izgub pri kuhanju (slabša
senzorična kakovost in manjša masa). Znano je, da gre za negativno povezavo med VB in
izgubami pri kuhanju (Monin in sod. 1986).
Drevenšek A. Uporabnost NIRS za napovedovanje kemične sestave mesa in mesnih izdelkov 15 Dipl. delo. Maribor, Univerza v Mariboru, Fakulteta za kmetijstvo in biosistemske vede, 2010
Preglednica 2: Napovedovanje vsebnosti IMM
IMM
Kalibracija Navzkrižna
validacija Predikcija
Vrs
ta
vzor
ca
Spe
kter
n Pov
preč
je
SD
Oc.
min
Oc.
max
SE
C
RC
Št.
PL
S
SE
CV
RC
V
RP
DC
V
SE
P
RP
RP
DP
Pra
šičja
miš
ica
LD
cel 57 1,89 1,09 0,00 5,17 0,15 0,98 5 0,23 0,95 4,69 0,26 0,89 3,01
nir 57 1,85 0,91 0,00 4,58 0,15 0,97 5 0,20 0,95 4,65 0,22 0,92 3,48
vidni 56 1,80 0,82 0,00 4,26 0,16 0,96 10 0,24 0,91 3,40 0,27 0,88 2,91
Raz
lične
pra
šičje
m
išic
e
cel 90 2,94 1,95 0,00 8,79 0,24 0,98 5 0,29 0,98 6,74 0,25 0,99 10,57
nir 90 2,94 1,95 0,00 8,79 0,27 0,98 3 0,29 0,98 6,69 0,27 0,99 9,45
vidni 91 3,00 2,00 0,00 9,01 0,42 0,96 6 0,47 0,95 4,26 0,48 0,97 5,38
Raz
lične
miš
ice
razl
ični
h sp
ecie
sov
cel 152 3,70 2,74 0,00 11,93 0,60 0,95 6 0,71 0,93 3,89 0,54 0,97 5,17
nir 152 3,70 2,74 0,00 11,93 0,48 0,97 6 0,60 0,95 4,55 0,48 0,97 5,76
vidni 152 3,65 2,68 0,00 11,71 0,67 0,94 8 0,71 0,93 3,78 0,63 0,95 4,38
Mes
o in
mes
ni
izde
lki
cel 173 5,05 5,99 0,00 23,02 0,77 0,98 6 0,98 0,97 6,11 1,45 0,98 6,16
nir 171 4,97 5,59 0,00 21,73 0,85 0,98 3 0,95 0,97 5,89 2,21 0,94 4,05
vidni 174 5,42 6,88 0,00 26,05 1,05 0,98 7 1,24 0,97 5,53 1,64 0,97 5,46
LD - mišica longissimus dorsi, n - število vzorcev, SD - standardni odklon, oc. min - ocenjeni minimum, oc. max - ocenjeni maksimum, SEC - standardna napaka kalibracije, RC - determinacijski koeficient kalibracije, SECV - standardna napaka navzkrižne validacije, RCV - determinacijski koeficient navzkrižne validacije, RPDCV - razmerje med SD referenčnih vrednosti in SECV, SEP - standardna napaka predikcije, RP - determinacijski koeficient predikcije, RPDP - razmerje med SD referenčnih vrednosti in SEP.
Drevenšek A. Uporabnost NIRS za napovedovanje kemične sestave mesa in mesnih izdelkov 16 Dipl. delo. Maribor, Univerza v Mariboru, Fakulteta za kmetijstvo in biosistemske vede, 2010
Preglednica 3: Napovedovanje vsebnosti beljakovin
Beljakovine
Kalibracija Navzkrižna
validacija Predikcija
Vrs
ta
vzor
ca
Spe
kter
n Pov
preč
je
SD
Oc.
min
Oc.
max
SE
C
RC
Št.
PL
S
SE
CV
RC
V
RP
DC
V
SE
P
RP
RP
DP
Pra
šičja
miš
ica
LD
cel 56 22,60 1,25 18,85 26,35 1,19 0,10 1 1,22 0,06 1,03 0,88 0,11 1,07
nir 56 22,60 1,25 18,85 26,35 1,20 0,08 1 1,22 0,05 1,03 0,89 0,10 1,06
vidni 56 22,60 1,25 18,85 26,35 1,20 0,08 1 1,23 0,04 1,02 0,86 0,13 1,09
Raz
lične
pra
šičje
m
išic
e
cel 83 21,64 1,70 16,53 26,76 0,45 0,93 7 0,66 0,85 2,57 0,72 0,83 2,47
nir 84 21,62 1,70 16,51 26,73 0,56 0,89 5 0,69 0,84 2,48 0,67 0,86 2,66
vidni 83 21,64 1,70 16,53 26,76 0,42 0,94 11 0,59 0,88 2,90 0,70 0,84 2,54
Raz
lične
miš
ice
razl
ični
h sp
ecie
sov
cel 149 21,25 1,89 15,57 26,93 0,56 0,91 9 0,75 0,84 2,53 0,76 0,82 2,35
nir 150 21,24 1,89 15,57 26,91 0,60 0,90 8 0,77 0,83 2,44 0,73 0,83 2,45
vidni 148 21,20 1,88 15,56 26,83 0,73 0,85 9 0,83 0,80 2,26 0,76 0,82 2,33
Mes
o in
mes
ni
izde
lki
cel 177 21,12 3,21 11,51 30,74 0,83 0,93 9 0,97 0,91 3,29 1,07 0,86 2,57
nir 176 21,10 3,20 11,49 30,71 0,90 0,92 7 1,00 0,90 3,21 1,02 0,86 2,69
vidni 177 21,12 3,21 11,51 30,74 0,68 0,95 10 0,98 0,91 3,26 0,98 0,88 2,80
LD - mišica longissimus dorsi, n - število vzorcev, SD - standardni odklon, oc. min - ocenjeni minimum, oc. max - ocenjeni maksimum, SEC - standardna napaka kalibracije, RC - determinacijski koeficient kalibracije, SECV - standardna napaka navzkrižne validacije, RCV - determinacijski koeficient navzkrižne validacije, RPDCV - razmerje med SD referenčnih vrednosti in SECV, SEP - standardna napaka predikcije, RP - determinacijski koeficient predikcije, RPDP - razmerje med SD referenčnih vrednosti in SEP.
Drevenšek A. Uporabnost NIRS za napovedovanje kemične sestave mesa in mesnih izdelkov 17 Dipl. delo. Maribor, Univerza v Mariboru, Fakulteta za kmetijstvo in biosistemske vede, 2010
Preglednica 4: Napovedovanje vsebnosti vode
Voda
Kalibracija Navzkrižna
validacija Predikcija
Vrs
ta
vzor
ca
Spe
kter
n Pov
preč
je
SD
Oc.
min
Oc.
max
SE
C
RC
Št.
PL
S
SE
CV
RC
V
RP
DC
V
SE
P
RP
RP
DP
Pra
šičja
miš
ica
LD
cel 54 73,75 1,07 70,54 76,96 0,31 0,92 7 0,66 0,62 1,63 0,45 0,54 RPDP
nir 54 73,75 1,07 70,54 76,96 0,25 0,95 7 0,59 0,69 1,80 0,43 0,56 1,43
vidni 53 73,79 1,05 70,63 76,94 0,32 0,91 7 0,48 0,80 2,20 0,43 0,59 1,50
Raz
lične
pra
šičje
m
išic
e
cel 83 73,80 1,32 69,84 77,76 0,33 0,94 7 0,49 0,87 2,69 0,38 0,84 1,52
nir 85 73,79 1,32 69,83 77,75 0,28 0,96 7 0,47 0,88 2,82 0,31 0,89 2,50
vidni 83 73,73 1,46 69,36 78,10 0,42 0,92 7 0,50 0,89 2,93 0,46 0,76 3,01
Raz
lične
miš
ice
razl
ični
h sp
ecie
sov
cel 147 73,73 1,70 68,63 78,84 0,53 0,90 9 0,79 0,79 2,16 0,60 0,86 2,03
nir 147 73,73 1,70 68,63 78,84 0,62 0,87 8 0,89 0,73 1,92 0,68 0,82 2,67
vidni 149 73,65 1,85 68,11 79,19 0,64 0,88 10 0,81 0,81 2,29 0,64 0,84 2,35
Mes
o in
mes
ni
izde
lki
cel 174 71,37 9,01 44,34 98,40 0,94 0,99 8 1,25 0,98 7,20 1,34 0,97 2,51
nir 172 71,55 8,87 44,94 98,16 0,89 0,99 8 1,17 0,98 7,55 1,49 0,96 5,54
vidni 170 72,27 6,71 52,12 92,41 1,17 0,97 7 1,37 0,96 4,88 1,44 0,97 4,99
LD - mišica longissimus dorsi, n - število vzorcev, SD - standardni odklon, oc. min - ocenjeni minimum, oc. max - ocenjeni maksimum, SEC - standardna napaka kalibracije, RC - determinacijski koeficient kalibracije, SECV - standardna napaka navzkrižne validacije, RCV - determinacijski koeficient navzkrižne validacije, RPDCV - razmerje med SD referenčnih vrednosti in SECV, SEP - standardna napaka predikcije, RP - determinacijski koeficient predikcije, RPDP - razmerje med SD referenčnih vrednosti in SEP.
Drevenšek A. Uporabnost NIRS za napovedovanje kemične sestave mesa in mesnih izdelkov 18 Dipl. delo. Maribor, Univerza v Mariboru, Fakulteta za kmetijstvo in biosistemske vede, 2010
Preglednica 5: Napovedovanje razmerja VB
Razmerje VB
Kalibracija Navzkrižna
validacija Predikcija
Vrs
ta
vzor
ca
Spe
kter
n Pov
preč
je
SD
Oc.
min
Oc.
max
SE
C
RC
Št.
PL
S
SE
CV
RC
V
RP
DC
V
SE
P
RP
RP
DP
Pra
šičja
miš
ica
LD
cel 54 3,26 0,18 2,71 3,82 0,08 0,80 6 0,16 0,27 1,16 0,20 0,08 1,00
nir 52 3,27 0,17 2,74 3,79 0,06 0,87 6 0,14 0,32 1,21 0,18 0,19 1,12
vidni 53 3,24 0,18 2,72 3,77 0,07 0,84 9 0,11 0,60 1,55 0,20 0,10 1,00
Raz
lične
pra
šičje
m
išic
e
cel 84 3,44 0,29 2,57 4,30 0,08 0,92 8 0,14 0,77 2,11 0,16 0,71 1,79
nir 85 3,43 0,29 2,56 4,31 0,10 0,88 5 0,15 0,75 2,00 0,15 0,72 1,87
vidni 79 3,44 0,29 2,55 4,31 0,06 0,95 10 0,08 0,92 3,43 0,17 0,64 1,61
Raz
lične
miš
ice
razl
ični
h sp
ecie
sov
cel 150 3,50 0,32 2,55 4,44 0,15 0,77 6 0,18 0,68 1,76 0,16 0,71 1,85
nir 150 3,50 0,32 2,55 4,44 0,13 0,82 7 0,16 0,74 1,96 0,16 0,72 1,87
vidni 150 3,50 0,32 2,55 4,44 0,15 0,78 9 0,19 0,65 1,68 0,16 0,73 1,90
Mes
o in
mes
ni
izde
lki
cel 173 3,39 0,65 1,44 5,34 0,19 0,91 6 0,21 0,89 3,06 0,30 0,69 1,74
nir 172 3,39 0,65 1,44 5,34 0,19 0,92 5 0,19 0,91 3,34 0,29 0,71 1,78
vidni 175 3,39 0,66 1,42 5,36 0,21 0,90 10 0,25 0,86 2,67 0,26 0,77 2,00
LD - mišica longissimus dorsi, n - število vzorcev, SD - standardni odklon, oc. min - ocenjeni minimum, oc. max - ocenjeni maksimum, SEC - standardna napaka kalibracije, RC - determinacijski koeficient kalibracije, SECV - standardna napaka navzkrižne validacije, RCV - determinacijski koeficient navzkrižne validacije, RPDCV - razmerje med SD referenčnih vrednosti in SECV, SEP - standardna napaka predikcije, RP - determinacijski koeficient predikcije, RPDP - razmerje med SD referenčnih vrednosti in SEP.
Drevenšek A. Uporabnost NIRS za napovedovanje kemične sestave mesa in mesnih izdelkov 19 Dipl. delo. Maribor, Univerza v Mariboru, Fakulteta za kmetijstvo in biosistemske vede, 2010
5 SKLEPI
V raziskavi smo z zelo dobrimi rezultati potrdili možnost natančnega napovedovanja
kemijske sestave mesa in mesnih izdelkov z uporabo NIRS.
Najboljše rezultate smo dobili za napovedovanje intramuskularne maščobe. Uporaba
celotnega ali NIR spektra valovnih dolžin na rezultate napovedovanja vsebnosti
intramuskularne maščobe ni imela pomembnega vpliva. Točnost napovedovanja je bila v
primeru določanja vsebnosti vode in beljakovin nekoliko slabša, a še vedno zadovoljiva. V
primeru napovedovanja vsebnosti beljakovin z enačbo razvito na ločenih vzorcih mišice
longissimus dorsi pa smo dobili precej slabe rezultate (nezanesljive napovedi).
Glede na različne kazalce kalibracijske statistike lahko zaključimo, da je napovedovanje
kemične sestave z modeli narejenimi na skupnem vzorcu različnih mišic najbolj zanesljivo.
Točnost napovedovanja vsebnosti določenih lastnosti v mišici z enačbo, ki te mišice ne
vključuje, pa je nizka.
Drevenšek A. Uporabnost NIRS za napovedovanje kemične sestave mesa in mesnih izdelkov 20 Dipl. delo. Maribor, Univerza v Mariboru, Fakulteta za kmetijstvo in biosistemske vede, 2010
6 VIRI
Abeni F, Bergoglio G. 2001. Characterization of different strains of broiler chicken by
carcass measurements, chemical and physical parameters and NIRS on breast muscle.
Meat sci, 57: 133–137.
Alomar D, Gallo C, Castaneda M, Fuchslocher R. 2003. Chemical and discriminant
analysis of bovine meat by near infrared reflectance spectroscopy (NIRS). Meat sci, 63:
441–450.
Andrés S, Murray I, Navajas EA, Fisher AV, Lambe NR, Bunger L. 2007. Prediction of
sensory characteristics of lamb meat samples by near infrared reflectance spectroscopy.
Meat sci, 76: 509–516.
Andrés S, Silva A, Soares-Pereira AL, Martins C, Bruno-Soares AM, Murray I. 2008. The
use of visible and near infrared reflectance spectroscopy to predict beef M. longissimus
thoracis et lumborum quality attributes. Meat sci, 78: 217–224.
Barlocco N, Vadell A, Ballesteros F, Galietta G, Cozzolino D. 2006. Predicting
intramuscular fat, moisture and Warner–Bratzler shear force in pork muscle using near
infrared reflectance spectroscopy. Anim sci, 82: 111–116.
Brøndum J, Munck L, Henckel P, Karlsson A, Tornberg E, Engelsen SB. 2000. Prediction
of water-holding capacity and composition of porcine meat by comparative spectroscopy.
Meat sci, 55: 177–185.
Büning-Pfaue H. 2003. Analysis of water in food by near infrared spectroscopy. Food
chem, 82: 107–115.
Drevenšek A. Uporabnost NIRS za napovedovanje kemične sestave mesa in mesnih izdelkov 21 Dipl. delo. Maribor, Univerza v Mariboru, Fakulteta za kmetijstvo in biosistemske vede, 2010
Byrne CE, Downey G, Troy DJ, Buckley DJ. 1998. Non-destructive prediction of selected
quality attributes of beef by near-infrared reflectance spectroscopy between 750 and 1098
nm. Meat sci, 49, 4: 399–409.
Chan DE, Walker PN, Mills EW. 2002. Prediction of pork quality characteristics using
visible and near-infrared spectroscopy. American Society of Agricultural Engineers, 45:
1519–1527.
Collell C, Gou P, Picouet P, Arnau J, Comaposada J. 2010. Feasibility of near-infrared
spectroscopy to predict aw and moisture and NaCl contents of fermented pork sausages.
Meat sci, 85: 325–330.
Cozzolino D, Murray I, Paterson R. 1996. Visible and near infrared reflectance
spectroscopy for the determination of moisture, fat and protein in chicken breast and thigh
muscle. J near infrared spec, 4: 213–223.
Cozzolino D, Murray I, Scaife JR, Paterson R. 2000. Study of dissected lamb muscles by
visible and near infrared reflectance spectroscopy for composition assessment. Anim sci,
70: 417–423.
Cozzolino D, Murray I. 2002. Effect of sample presentation and animal muscle species on
the analysis of meat by near infrared reflectance spectroscopy. J near infrared spec, 10: 37–
44.
Čandek-Potokar M, Prevolnik M, Škrlep M. 2006. Ability of near infrared spectroscopy to
predict pork technological traits. J near infrared spec, 14: 269–277.
De Marchi M, Berzaghi P, Boukha A, Mirisola M, Gallo L. 2007. Use of near infrared
spectroscopy for assessment of beef quality traits. Ital j anim sci, 6: 421–423.
Drevenšek A. Uporabnost NIRS za napovedovanje kemične sestave mesa in mesnih izdelkov 22 Dipl. delo. Maribor, Univerza v Mariboru, Fakulteta za kmetijstvo in biosistemske vede, 2010
Eichinger H, Beck G. 1992. Possibilities for improving breeding value estimation of meat
quality in cattle by using the near-infrared measurement technique. Archiv für Tierzücht
35, 1–2: 41–50.
Gaitán-Jurado AJ, Ortiz-Somovilla V, España-España F, Pérez-Aparicio J, De Pedro-Sanz
EJ. 2008. Quantitative analysis of pork dry-cured sausages to quality control by NIR
spectroscopy. Meat sci, 78: 391–399.
Gonzalez-Martin I, Gonzalez-Perez C, Hernandes-Mendez J, Alvarez-Garcia N, Merino
Lazaro S. 2002. Determination of fatty acids in the subcutaneous fat of Iberian breed swine
by near infrared spectroscopy. A comparative study of the methods for obtaining total
lipids: solvents and melting with microwaves. J near infrared spec, 10, 4: 257–268.
Gonzáles-Martín I, Fernández Bermejo C, Hernández Hierro JM, Sánchez Gonzáles CI.
2009. Determination of hydroxyproline in cured pork sausages and dry cured beef products
by NIRS techology employing a fibre-optic probe. Food control, 20: 752-755.
Hoving-Bolink AH, Vedder HW, Merks JWM, De Klein WJH, Reimert HGM,
Frankhuizene R et al. 2005. Perspective of NIRS measurements early post mortem for
prediction of pork quality. Meat sci, 69: 417–423.
Kennedy CA, Shelford JA, Williams PC. 1996. Near infrared spectroscopic analysis of
intact grass silage and fresh grass for dry matter, crude protein and acid detergent fiber. V:
Davies AMC, Williams P. (ur.). Near infrared spectroscopy: the future waves. Chichester,
NIR Publications: 524–530.
Kestens V, Charoud-Got J, Bau A, Bernreuther A, Emteborg H. 2008. Online measurement
of water content in candidate reference materials by acoustooptical tuneable filter near-
infrared spectrometry (AOTF-NIR) using pork meat calibrants controlled. Food chem, 106:
1359–1365.
Drevenšek A. Uporabnost NIRS za napovedovanje kemične sestave mesa in mesnih izdelkov 23 Dipl. delo. Maribor, Univerza v Mariboru, Fakulteta za kmetijstvo in biosistemske vede, 2010
Masoero G, Xiccato G, Zotte A dalle, Parigi-Bini R, Bergoglio G. 1994. Analysis of
freeze-dried rabbit meat by NIRS. Zootec nutr anim 20, 6: 319–329.
Molette C, Berzaghi P, Dalle Zotte A, Remignon H, Babile R. 2001. The use of near-
infrared reflectance spectroscopy in the prediction of the chemical composition of goose
fatty liver. Poultry sci, 80: 1625–1629.
Monin G, Talmant A, Laborde D, Zabari M, Sellier P. 1986. Compositional and enzymatic
characteristics of the Longissimus Dorsi muscle from large white, halothane-positive and
halothane-negative pietrain, and hampshire pigs. Meat sci, 16, 307–316.
Monin G. 1998. Recent methods for predicting quality of whole meat. Meat sci 49, 1: 231–
243.
Ortiz-Somovilla V, España-España F, Gaitán-Jurado AJ, Pérez-Aparicio J, De Pedro-Sanz
EJ. 2007. Proximate analysis of homogenized and minced mass of pork sausages by NIRS.
Food chem, 101: 1031–1040.
Prevolnik M, Čandek-Potokar M, Škorjanc D. 2004. Ability of NIR spectroscopy to predict
meat chemical composition and quality: a review. Czech j anim sci, 49: 500–510.
Prevolnik M, Čandek-Potokar M, Škorjanc D, Velikonja-Bolta Š, Škrlep M, Žnidaršič T et
al. 2005. Predicting intramuscular fat content in pork and beef by near infrared
spectroscopy. J near infrared spec, 13: 77–85.
Prieto N, Andres S, Giraldez FJ, Mantecon AR, Lavin P. 2006. Potential use of near
infrared reflectance spectroscopy (NIRS) for the estimation of chemical composition of
oxen meat samples. Meat sci, 74: 487–496.
Drevenšek A. Uporabnost NIRS za napovedovanje kemične sestave mesa in mesnih izdelkov 24 Dipl. delo. Maribor, Univerza v Mariboru, Fakulteta za kmetijstvo in biosistemske vede, 2010
Prieto N, Andrés S, Giráldez FJ, Mantecón AR, Lavín P. 2008. Ability of near infrared
reflectance spectroscopy (NIRS) to estimate physical parameters of adult steers (oxen) and
young cattle meat samples. Meat sci, 79: 692−699.
Prieto N, Ross DW, Navajas EA, Nute GR, Richardson RI, Hyslop JJ, Simm G, Roehe R.
2009. On-line application of visible and near infrared reflectance spectroscopy to predict
chemical- physical and sensory characteristics of beef quality. Meat sci, 83: 96–103.
Prieto N, Roehe R, Lavin P, Batten G, Andres S. 2009. Application of near infrared
reflectance spectroscopy to predict meat and meat products quality: A review. Meat sci,
83: 175–186.
Ripoche A, Guillard AS. 2001. Determination of fatty acid composition of pork fat by
Fourier transform infrared spectroscopy. Meat sci, 58, 3: 299–304.
Ripoll G, Alberti P, Panea B, Olleta JL, Sanudo C. 2008. Near-infrared reflectance
spectroscopy for predicting chemical, instrumental and sensory quality of beef. Meat sci,
80: 697–702.
Renden JA, Oates SS, Reed RB. 1986. Determination of body fat and moisture in dwarf
hens with near infrared reflectance spectroskopy. Poultry sci, 65, 8: 1539–1541.
Rudan-Tasič D, Klofutar C. 2007. Fizikalnokemijske metode v živilstvu. Ljubljana,
Biotehniška fakulteta: 114, 128 str.
Tøgersen G, Isaksson T, Nielsen BN, Baker EA, Hildrum KI. 1999. On-line NIR analysis
of fat, water and protein in industrial scale ground meat batches. Meat sci, 51: 97–102.
Tøgersen G, Arnesen JF, Nielsen BN, Hildrum KI. 2003. On-line prediction of chemical
composition of semi-frozen ground beef by non-invasive NIR spectroscopy. Meat sci, 63:
515–523.
Drevenšek A. Uporabnost NIRS za napovedovanje kemične sestave mesa in mesnih izdelkov 25 Dipl. delo. Maribor, Univerza v Mariboru, Fakulteta za kmetijstvo in biosistemske vede, 2010
Valdes EV, Summers JD. 1986. Determination of crude protein in carcass and breast
muscle samples of poultry by near infrared reflectance spectroscopy. Poultry sci, 65, 3:
485–490.
Viljoen M, Hoffman LC, Brand TS. 2005. Prediction of the chemical composition of
freeze-dried ostrich meat with near infrared reflectance spectroscopy. Meat sci, 69: 255–
261.
Viljoen M, Hoffman LC, Brand TS. 2007. Prediction of the chemical composition of
mutton with near infrared reflectance spectroscopy. Small ruminant res, 69: 88–94.
Windham WR, Morrison WH. 1998. Prediction of fatty acid content in beef neck lean by
near infrared reflectance analysis. J near infrared spec, 6: 229–234.
Windham WR, Lawrence KC, Feldner PW. 2003. Prediction of fat content in poultry meat
by near-infrared transmission analysis. J appl poultry res, 12: 69–73.
WinISI II Manual, Version 1.50, Infrasoft International, LLC, 2000.
Young OA, Berker GJ, Frost DA. 1996. Determination of collagen solubility and
concentration in meat by near infrared spectroscopy. J muscle foods, 7: 377–387.
Žnidaršič T. 2007. Navodila za uporabo NIRS-a. Ljubljana, Kmetijski inštitut Slovenije.
Drevenšek A. Uporabnost NIRS za napovedovanje kemične sestave mesa in mesnih izdelkov Dipl. delo. Maribor, Univerza v Mariboru, Fakulteta za kmetijstvo in biosistemske vede, 2010
7 ZAHVALA
Zahvalila bi se rada mentorici, doc. dr. Marjeti Čandek-Potokar, in somentorju, red. prof.
dr. Dejanu Škorjancu, za samo idejo in s tem nastajanje diplomske naloge. Posebna
zahvala gre univ. dipl. inž. kmet. Maji Prevolnik za vse odgovore na moja številna
vprašanja in nesebično pomoč, brez katere bi se izdelava diplomske naloge pošteno
zavlekla. Iskrena hvala dragima staršema za vso podporo in finančno pomoč pri študiju.
Hvala Alešu, ki me sprejema takšno kot sem in mi tako pri obveznostih študija kot v
življenju vedno nudi oporo. Hvala tudi redkim, a dobrim prijateljem, ki mi stojijo ob strani
in me spodbujajo še naprej.