= 0.672;  = 0.552) and a relative lower root mean square error value (RMSEC = 0.385; RMSEP = 0.459). In the ATR-MIR technique, the baseline preprocessing method exhibited a better performance regarding to the values of coefficient of determination ( = 0.927;  = 0.828) and mean square error value (RMSEC = 0.153; RMSEP = 0.284). The validation of the developed best NIR and ATR-MIR calibration models showed that the ATR-MIR best calibration model has a better RS prediction ability than the NIR best calibration model. Two high grain RS content wheat mutants were screened out by the ATR-MIR best calibration model from the wheat mutant library. There was no significant difference between the predicted values and chemical measured values in the two high RS content mutants. It proved that the ATR-MIR model can be a perfect substitute in RS measuring. All the results indicated that the ATR-MIR spectroscopy with improved screening efficiency can be used as a fast, rapid, and nondestructive method in high grain RS content wheat breeding."> 发展的总反射中红外衰减(ATR-MIR)和近红外(NIR)光谱测定小麦抗性淀粉含量的谷物 - raybet雷竞app,雷竞技官网下载,雷电竞下载苹果
标志”src=

分析方法在化学杂志》上
PDF
分析方法在化学杂志》上/2021年/文章

研究文章|开放获取

体积 2021年 |文章的ID 5599388 | https://doi.org/10.1155/2021/5599388

荣王,夏,Hongpan Wang Linshu赵,Cengli曾庆红,署名为张Bingrui Wang Luxiang Liu Yanhao徐, ”发展的总反射中红外衰减(ATR-MIR)和近红外(NIR)光谱测定小麦抗性淀粉含量的谷物”,分析方法在化学杂志》上, 卷。2021年, 文章的ID5599388, 9 页面, 2021年。 https://doi.org/10.1155/2021/5599388

发展的总反射中红外衰减(ATR-MIR)和近红外(NIR)光谱测定小麦抗性淀粉含量的谷物

荣王,1 夏魏,1,2 Hongpan王,1 Linshu赵,3 Cengli曾,4 Bingrui王,5 署名为张,1 Luxiang刘,3 和 Yanhao徐2

1湖北省重点实验室的洪涝灾害和农业使用湿地和湖北粮食行业协同创新中心和生态和农业工程研究中心利用湿地,教育部,长江大学,荆州,434025年湖北,中国

2湖北粮食作物种质资源和遗传改良重点实验室、湖北省农业科学院粮食作物研究所430064年武汉,中国

3中国农业科学院作物科学研究所,北京100081,中国

4湖北省工程研究中心的特殊生物资源的保护和利用汉水流域,江汉大学,430056年武汉,中国

5华中农业大学植物科学与技术学院,武汉430064年,中国

学术编辑器:亚历山德罗Buccolieri
收到了 07年2月2021年
修改后的 2021年5月05
接受 2021年6月24日
发表 2021年7月15日

文摘

的化学方法测定抗性淀粉(RS)内容在谷物是耗时的,劳动密集型的。近红外(NIR)和衰减全反射红外光谱(ATR-MIR)是快速、无损分析技术确定粮食质量。这项研究是第一个报告,建立和比较这两种光谱技术确定RS含量小麦谷物。校准模型有四个预处理技术基于偏最小二乘(PLS)算法。近红外光谱技术,意味着标准化+ Savitzky-Golay平滑(MN + SGS)预处理技术有较高的确定系数( = 0.672; = 0.552)和相对较低的均方根误差值(RMSEC = 0.385;RMSEP = 0.459)。ATR-MIR技术,基线预处理方法表现出更好的性能对于确定系数的值( = 0.927; = 0.828)和均方误差值(RMSEC = 0.153;RMSEP = 0.284)。验证发达最好的近红外光谱和ATR-MIR校准模型表明,ATR-MIR最佳校准模型有更好的RS比近红外光谱预测能力最好的校准模型。两粒RS含量高小麦突变体筛选的ATR-MIR最佳校准模型从小麦突变体库。之间没有显著差异的预测值和化学测量值两个高RS含量突变体。它证明了ATR-MIR模型可以是一个完美的替代品在RS测量。所有结果表明ATR-MIR光谱学与提高筛选效率可以作为一种快速、快速、无损方法高谷物RS含量小麦育种。

1。介绍

抗性淀粉(RS)是不能的淀粉转化为葡萄糖,当通过健康小肠(1]。由于它的消化不良,RS可以增加饱腹感,减少热量的摄入,从而降低餐后血糖水平(2],调节肠道代谢[3],降低结肠癌风险[4),控制体重(5),和吸收矿物质6]。由于其对人类健康益处,RS的研究吸引了大量的关注和提升为一个重要的发现对碳水化合物和人类健康之间的关系(1,2,7]。它也成为一个热门话题功能食品繁殖[7- - - - - -9]。

谷物淀粉是人类饮食中碳水化合物的主要来源。RS含量的提高谷物育种是一个重要的目标。几个RS含量高粮食品种,如RS111 [10),hulless大麦品种喜马拉雅29211),和硬质小麦12),已向公众发布。同时,他们仍不能满足日益增长的需求。诱导诱变和选择的自然突变仍高RS品种的育种的主要方法(7,13- - - - - -17]。目前,酶水解和显色法是常用的RS测量方法。这些方法是破坏性的,耗时、昂贵和繁琐,因此拖延的过程研究RS (18]。一个简单、快速、无损的方法筛选突变体与数以百万计的突变体对育种成为至关重要的。

红外光谱,包括近红外(NIR, 950 - 1650 nm)和衰减全反射红外(ATR-MIR, 525 - 4000厘米−1)光谱技术,已经被广泛地应用于一个简单,快速和可靠的替代传统方法在歧视的化学成分19- - - - - -21]。米尔可以识别官能团的基本振动吸收光谱中红外地区(525 - 4000厘米−1),而近红外光谱范围内的950 nm和1650 nm识别泛音的信息和组合这些振动19- - - - - -21]。采用近红外光谱技术作为官方方法预测小麦谷物的粗蛋白质美国谷物化学家协会(协会)22]。基于近红外光谱模型已经扩展到调查的直链淀粉含量23),脂质含量(24),水含量(25在硬质小麦[],deoxynivalenol内容26)监测和麦麸酶(27]。与此同时,米尔光谱模型用于分析糖在大麦19,28大豆[],灰分和水分含量24,蛋白质和脂质在不同小麦品种(29日硝酸),以及执行的决心在水稻土30.]。

小麦(小麦l .)提要约40%的世界人口31日]。小麦谷物与RS含量高可以提供更多的健康效益(8,9,31日]。虽然,没有光谱模型确定的内容RS小麦谷物。此外,诱变育种是高RS品种的育种的主要方法(13- - - - - -17]。然而,仍然没有简单、快速、无损的方法筛选高RS突变体繁殖。

本研究的目的是开发一个简单、快速、无损的方法测定小麦谷物通过RS含量近红外光谱和ATR-MIR光谱和应用开发谷物RS含量高光谱方法筛选小麦突变体。

2。材料和方法

2.1。样品

基于规则的RS含量校正集的范围应该覆盖的验证集,共六十四(n= 64)小麦到达被随机分成一组校准(51个小麦样品表1)和一组验证(13个小麦样品表2)比4:1。校正集和验证集被用来开发和验证的最佳校准模型预测小麦谷物RS含量的近红外光谱和ATR-MIR方法。
小麦样品 粮食RS含量(%)
Shannong7859 0.220±0.013
Karagan 0.242±0.011
Baiqimai 0.288±0.013
Fan6 0.308±0.018
梅斯 0.373±0.020
Fretes-3 0.395±0.021
Mazhamai 0.417±0.025
Dabaimai 0.474±0.022
Ganmai8hao 0.491±0.025
Huaimai16 0.504±0.032
Zhongyou16 0.536±0.031
Youzimai 0.541±0.032
Lumai1hao 0.549±0.033
Honglidangnianlao 0.562±0.034
Sumai3hao 0.597±0.041
Xinmai19 0.606±0.043
Jinmai2148 0.642±0.042
Mingxian169 0.648±0.045
Yanzhan4110 0.718±0.056
Jinan2hao 0.721±0.053
Jinan17hao 0.741±0.052
Jinan13 0.750±0.054
Geerhongmai 1.677±0.084
Zijiehong 2.177±0.103
Shuilizhan 2.238±0.152
Muzongzhuoga 2.399±0.112
Shite14 0.758±0.052
贺德CL + 0.758±0.055
Xuzhou21 0.761±0.061
Sankecun 0.780±0.063
Zheng6fu 0.793±0.062
Diyouzao 0.847±0.065
N553 0.892±0.061
Kopara 73 0.910±0.062
Honghuamai 0.919±0.076
Yunmai34 0.938±0.075
Miannong4hao 1.008±0.075
Meiqianwu 1.046±0.073
Jinmai8hao (Jinzhong849) 1.082±0.076
Ningmai9hao 1.091±0.071
Wenmai6hao (Yumai49) 1.119±0.078
Jiahongmai 1.139±0.071
来自19399年 1.200±0.072
Liuyuehong 1.232±0.083
Jiangmai 1.379±0.083
Huzhuhong 1.487±0.083
Zang2726 1.533±0.086
Honghuazao 1.615±0.083
Heshangmai 2.548±0.107
Wujiangzhuo 2.601±0.155
Baihuamai 3.348±0.167
表1
小麦样品的校正集和RS化学法测量的内容。
小麦样品 粮食RS含量(%) 相对误差(RE)
化学测量 ATR-MIR预测 近红外光谱预测 ATR-MIR再保险 近红外光谱是
Xiaokouhong 0.267±0.011 0.332±0.041 0.591±0.085 24.345 121.348
Yu30691-1-3 0.615±0.032 0.423±0.032 0.834±0.088 31.212 35.610
Hongpidongmai 0.784±0.041 0.864±0.065 1.019±0.091 10.204 29.974
Tanori 0.887±0.063 0.861±0.073 0.661±0.093 2.931 25.479
Hongpixiaomai 0.991±0.068 1.160±0.082 0.684±0.082 17.053 30.979
PI94365 1.028±0.065 0.998±0.081 0.814±0.091 2.918 20.817
Huadong6hao 1.172±0.072 0.892±0.093 0.937±0.105 23.891 20.051
Tumangmai 1.230±0.083 1.093±0.101 1.506±0.132 11.138 22.439
马洪Demias 1.365±0.085 1.216±0.097 1.131±0.139 10.916 17.143
Chixiaomai 1.508±0.095 1.637±0.105 1.054±0.108 8.554 30.106
Baitiaoyu 1.725±0.105 1.487±0.127 1.398±0.153 13.797 18.957
Mangxiaomai 2.288±0.112 1.798±0.153 1.587±0.186 21.416 30.638
Lanhuamai 2.842±0.117 2.200±0.194 1.851±0.225 22.590 34.870
再保险、测量值之间的比例减去预计值除以测量值。
表2
小麦样品验证集和谷物RS内容由化学方法和最佳ATR-MIR和近红外校正模型。

的米5代小麦突变体库,其中包括1010突变体,用于屏幕最好的RS含量高突变线校准模型从上面的结果。加入小麦突变体起源于yuw - 1 50 Gy - 207和被辐射7李离子束。

长江大学所有小麦材料种植场站2017 - 2018年。现场试验的实验安排为每个加入随机三个复制。每个复制设计1.2米长,0.85米宽。播种密度保持30每一行。施肥、害虫和疾病控制定期进行。分析是基于植物中间行。

2.2。化学测量RS内容

全麦面粉准备从每个样品通过研磨磨粉机(Perten实验室轧机3100),这是配备了一个0.8毫米的屏幕。RS内容(RS的全谷物的比例)测量了100毫克全麦面粉使用抗性淀粉测定工具包(K-RSTAR Megazyme有限公司、威克洛郡、爱尔兰)后,制造商的指示。样品处理10毫克/毫升胰腺a-amylase淀粉转葡糖苷酶和3 U /毫升(AMG)酶水解和不抵抗的淀粉的溶解。酶反应终止后通过添加50%的乙醇溶液,抗性淀粉被离心(约恢复作为一个小球。4000 r / min, 10分钟)。抗性淀粉颗粒的溶解在反应前的2 M KOH溶液反复冲洗,倾析。然后,淀粉溶液中与AMG定量水解为葡萄糖。葡萄糖测定葡萄糖氧化酶和过氧化物酶(GOPOD)试剂在510 nm波长对试剂空白(29日]。所有样本测量三个复制。标准的RS样本试剂包被用作控制在每一轮的反应。

2.3。近红外光谱和ATR-MIR光谱

近红外光谱采集的950 nm和1650 nm之间使用DA7200光谱仪(Perten仪器有限公司,瑞典)。在近红外光谱方法,大约4 g的小麦谷物每个样本一式三份扫描在小环杯。每个光谱代表的平均32扫描和记录日志(1 / R)在2 nm增量。

那些时光iS5米尔光谱进行扫描基于Nicolet傅里叶变换红外光谱仪(美国ThermoFisher科学)iD7衰减全反射(ATR)配件。每个样本的ATR-MIR光谱是通过获得的16的分辨率扫描4厘米−1在525至4000厘米不等−116,背景扫描。空气被记录作为参考光谱背景。ATR水晶是仔细用乙醇清洗后每个样品测量。

2.4。数据分析

近红外光谱和ATR-MIR光谱上传到辨音器9.7软件(这种公司,美国)进行最优化分析。模型校准和测量值之间的红外光谱建立了使用偏最小二乘(PLS)回归完整的交叉验证。模型的质量评估确定校正系数( ),预测的决定系数( ),均方根误差的校准(RMSEC),以及预测的均方根误差(RMSEP) [32]。此外,残留的预测偏差(RPD),统计参数定义为标准差的比值(SD) RMSEP [30.,32),被用来评估校正模型的预测能力。

预处理的方法被用来消除背景信号的干扰,随机噪声,以及光散射光谱,可以分为散射校正组和光谱衍生化组(33,34]。四种预处理方法包括高斯滤波器平滑(GFS)乘法散射校正(MSC),基线意味着正常化(MN)和Savitzky-Golay平滑(SGS)是用于转换之前的近红外光谱和ATR-MIR光谱校正消除基线漂移等干扰噪声,倾斜和反向,光散射(35,36]。锰、基线和MSC预处理方法属于散射修正集团和SGS GFS属于光谱衍生化组。开发模型,确定系数的最大值,最小值的均方根误差(RMSE)和RPD的最高价值,被选为最佳校准模型。

3所示。结果

3.1。化学测量小麦谷物RS内容

RS含量是全麦谷物面粉样品的测量采用AOAC公认方法校准设置范围从0.220%到3.348%,平均1.011%(表的内容1);而RS含量验证集的范围从0.267%到2.842%,平均1.285%(表的内容2)。标准差(SD)校正集和验证集是0.679和0.697,分别。变异系数(CV)校正集和验证集的67.086%和53.846%,分别。广泛分布的麦粒RS含量校正集和验证集的观察。

3.2。近红外光谱的发展和ART-MIR预测模型

ATR-MIR光谱(525 - 4000厘米−1)(图1(一))地区具有较强的吸收峰,属于分子振动的基本模式。3600和3000厘米之间的峰值−1被分配到氢保税水(地伸展振动)。弱带检测到1652厘米−1负责C = O脱羧组的振动。该地区1200至950厘米−1是归因于葡萄糖环的o c伸展振动(37,38]。1146厘米−1和1047厘米−1拉伸振动与小学和中学在葡萄糖醇羟基,和1002厘米吗−1是切断吡喃糖环的弹性振动。C-O-H、C-C-H O-C-H弯曲的异头碳水化合物发生在750年和950年之间的配置厘米−1(39,40]。近红外光谱(950 - 1650 nm)(图1 (b)),两个峰出现;弱强度被发现周围1200海里,激烈的峰被发现约1500海里。吸收1215 nm和1483 nm左右,分别报道与碳氢键的拉伸和h (41]。

(一)”name=
(一)
(b)”name=
(b)
图1
ATR-MIR和近红外光谱的小麦粮食这一研究获得的样本。(一)ATR-MIR光谱范围内获得525至4000厘米−1没有预处理。(b)近红外光谱范围内获得950至1650海里没有预处理。

校正集的收集ATR-MIR和NIR光谱被用来开发校准模型通过PLS回归完整的交叉验证。近红外光谱的模型与MN + SGS预处理最高 和RPD,分别是0.672和1.464。同时,RMSE在这个模型达到低至0.459(表3)。MN + SGS预处理被选为最佳的NIR光谱校正模型。ATR-MIR光谱的基线预处理方法被选为最佳校准模型 ,RPD, RMSE 0.937、2.391和0.284,分别(表3)。
光谱学 预处理的方法 校准 内部交叉验证
RMSEC RMSEP RPD
近红外光谱 原始 0.641 0.403 0.482 0.493 1.363
锰 0.673 0.384 0.526 0.472 1.424
MN + MSC 0.671 0.385 0.523 0.474 1.418
MN + SGS 0.672 0.385 0.552 0.459 1.464
ATR-MIR 原始 0.922 0.188 0.804 0.303 2.218
基线 0.937 0.169 0.828 0.284 2.366
基线+ GFS 0.935 0.171 0.826 0.286 2.35
基线+ SGS 0.935 0.171 0.825 0.287 2.341
,确定校正系数; ,决定系数的预测;RMSEC,均方根误差校准;RMSEP,预测均方根误差;RPD残余预测偏差;MN,意味着正常化;MSC,乘法散射校正;SGS, Savitzky-Golay平滑;GFS,高斯滤波器平滑。
表3
开发和筛选抗性淀粉的最佳校准模型的小麦谷物样品使用ATR-MIR和近红外光谱。

与此同时,一个更好的相关化学测定值和预测值ATR-MIR光谱模型(图中观察到2(一个)比在近红外光谱分析模型(图)2 (b))。预测值和真实值之间的相关性在ATR-MIR模型为0.937,而近红外光谱模型中的值为0.672。结果显示ATR-MIR光谱模型可能有一个更好的性能预测的RS含量小麦谷物比近红外光谱模型。

(一)”name=
(一)
(b)”name=
(b)
图2
测量值和预测值之间的关系对谷物ATR-MIR获得的抗性淀粉含量的校正模型和近红外光谱。(一)ATR-MIR获得的校准模型。(b)通过近红外光谱的校准模型。
3.3。近红外光谱和ATR-MIR最佳校准模型的验证

验证模型的准确性和可重复性最好的预处理技术在两个光谱,验证执行的验证集。通过实验确定RS值,预测RS值,计算相对误差(测量/预测值)表2。近红外校正模型与MN + SGS预处理,相对误差范围从17.143%到121.348%,平均相对误差为34.028%。ATR-MIR校准模型的基线预处理方法,相对误差范围从2.931%到31.220%,平均相对误差为15.832%。测量值之间的线性回归分析和预测的值ATR-MIR模型(R2=(图0.919)3(一个))和近红外光谱模型(R2=(图0.773)3 (b))。结果证实,ATR-MIR光谱提供了一个更好的性能比近红外光谱RS含量的预测小麦谷物。

(一)”name=
(一)
(b)”name=
(b)
图3
最好的外部验证ATR-MIR和近红外光谱模型。(一)使用基线ATR-MIR模型预处理方法。(b)近红外光谱模型使用锰+ SGS预处理方法。
3.4。屏幕的高RS ATR-MIR小麦突变体的模型

检查的应用开发了ATR-MIT模型,最好的ATR-MIR校准模型与基线预处理被提升为预测谷物RS 1010小麦突变体(图的内容4)。1010年小麦突变体的预测RS含量范围从0.101±0.018%,至2.553±0.311%。两条线与YUW-RSH1(2.553±0.311%)和YUW-RSH2 RS含量最高(2.116±0.230%)被确定(表4)。同时,RS内容也是由化学方法进行验证。化学决定YUW-RSH1和YUW-RSH2 RS含量为2.572±0.090%和2.126±0.071%,分别为(表4)。之间没有显著差异的预测值与化学值决定。结果表明,ATR-MIR光谱学可以是一个有效的方法筛选和识别高谷物RS含量对小麦育种材料。


图4
应用程序最好的ATR-MIR模型筛选高谷物RS含量突变体线从小麦突变体库。
YUW-RSH1 YUW-RSH2
ATR-MIR预测(%) 化学测量(%) ATR-MIR预测(%) 化学测量(%)
复制1 2.623 2.487 2.378 2.121
复制2 2.245 2.66 1.945 2.199
复制3 2.791 2.569 2.025 2.058
方差分析 2.553±0.311 2.572±0.090 2.116±0.230 2.126±0.071
表4
验证的最佳ATR-MIR校准模型筛选高谷物RS小麦突变体的化学测量方法。

4所示。讨论

4.1。ATR-MIR光谱学

有一个更好的性能的预测比近红外光谱RS含量小麦谷物。米尔和近红外光谱法已成为发展最快、最引人注目的现代定量分析技术评估质量的农产品和食品中营养素和小化合物(21,27,42,43]。在农业、蛋白质、单宁、脂质,植酸,氨基酸是常见的检测组件在作物(23,27- - - - - -29日,34]。在这项研究中,共有64个小麦样本用于开发ATR-MIR和近红外校正模型的预测RS含量小麦谷物。与先前的研究相比,样品和麦粒RS含量的分布研究已达到红外基本建模的要求(20.,24,42]。

人们通常认为回归模型R2以上0.91被认为是优秀的,R2= 0.82 - -0.9表示良好的预测能力;R2= 0.50 - -0.65揭示了近似量化性能(44];RPD大于2时,模型被认为是优秀的,而值低于1.5指示应用程序(不够45]。在我们的结果,最好的近红外光谱模型显示一个近似量化性能( = 0.672; = 0.552;RPD = 1.464),最好的米尔模型做了一个良好的预测性能( = 0.927; = 0.828;RPD = 2.366)。总的来说,ATR-MIR表现出更好的性能评估的麦粒RS内容。

先前的报道比较ATR-MIR和近红外光谱技术测量的化学物质的差异,定量分析表明,近红外光谱和米尔技术有不同的预测作用[21,24,42,46]。提出大豆样品的近红外光谱技术预测的蛋白质和脂类的决心,而米尔技术提出了火山灰和水分测定(24]。大米样品的近红外光谱技术和米尔技术是淀粉和蛋白质的最佳预测指标,分别为(46]。在这项研究中,我们发现ATR-MIR光谱有更好的性能的预测小麦谷物比RS含量近红外光谱学基于PLS回归。如今,最近开发的深度学习和人工智能算法可以用来改善光谱模型的稳定性和鲁棒性,这也可能成为未来研究的趋势(47]。

4.2。小麦育种的RS内容快速评估方法

到目前为止,诱变育种的主要方法是高RS品种的育种(7,13- - - - - -17]。快速质量评估方法在育种程序正在越来越重要的作用;这是特别是在诱变育种。在这项研究中,开发了最佳校准ATR-MIR模型被用来屏幕2高抗性淀粉小麦突变体的突变体库。比较与化学方法和24小时的时间成本为每个示例中,光谱法的总时间只需要不到5分钟样本,提供筛选的可能性成千上万的育种材料。光谱法可以大大提高测量效率和作物抗性淀粉育种提供了新的方法和研究。

5。结论

米尔和近红外光谱技术被证明是有用的预测RS含量小麦谷物。ATR-MIR技术比近红外光谱技术提供了一个更好的预测能力。每个样本的测量所需的总时间小于5分钟,相比大约20小时所需的决心RS含量的化学方法。此外,我们确认使用ATR-MIR光谱学协助小麦RS内容的筛选和鉴定是一种有效的方法。

数据可用性

大多数的数据用于支持本研究的发现包括在本文中。其他数据是可用的和相应的作者要求第一作者。

的利益冲突

作者宣称没有利益冲突。

作者的贡献

YX会构思和设计实验。XW RW, LZ执行实验,XW, y, RW, HW, WZ, CZ, BW进行数据分析,y, XW, RW,会写手稿。所有作者阅读和批准了手稿。荣王,夏魏贡献同样这项工作。

确认

这项工作进行了与金融支持国家重点研究和发展项目(2016 yfd0102101),湖北省工程研究中心的开放研究基金的特殊生物资源保护和利用汉水流域(202008),和开放研究基金生态和农业工程研究中心使用湿地(KFT202007)。

引用

  1. a . Genoni c . t . Christophersen j . Lo et al .,“长期旧石器时代饮食与降低抗性淀粉摄入量有关,不同的肠道微生物群组成和血清TMAO浓度增加,”欧洲营养杂志卷,59号5,1845 - 1858年,2020页。视图:出版商的网站|谷歌学术搜索
  2. a·库马尔Sahoo, b . Baisakha et al .,“抗性淀粉可以果断决定水稻品种的血糖指数,”谷物科学杂志》卷,79年,第353 - 348页,2018年。视图:出版商的网站|谷歌学术搜索
  3. 哈尔德,a·g·Schioldan m·e·摩尔et al。”阿糖基木聚糖和抗性淀粉对肠道菌群的影响在主题和短链脂肪酸代谢综合症:一个随机交叉研究中,“《公共科学图书馆•综合》,11卷,不。7篇文章ID e0159223 2016。视图:出版商的网站|谷歌学术搜索
  4. w·h .元,朱x, d . Chen, s .孟和j·王,“双重改性耐籼稻淀粉对azoxymethane-induced早期结肠癌的老鼠,”实验和医学治疗,13卷,不。5,2036 - 2042年,2017页。视图:出版商的网站|谷歌学术搜索
  5. m·j·基南j .周k . l . et al .,丧心病狂的“抗性淀粉的影响,non-digestible可发酵的纤维,减少身体脂肪,”肥胖,14卷,不。9日,第1534 - 1523页,2006年。视图:出版商的网站|谷歌学术搜索
  6. p . Raigond r .以西结,b . Raigond“抗性淀粉在食品:复习一下,”粮食和农业的科学杂志》上,卷95,不。10日,1968 - 1978年,2015页。视图:出版商的网站|谷歌学术搜索
  7. k . Petropoulou l . j .盐c·h·爱德华兹et al .,“自然突变Pisum一l .(豌豆)改变淀粉组装和改善葡萄糖在人类体内平衡,”自然的食物,1卷,不。11日,第704 - 693页,2020年。视图:出版商的网站|谷歌学术搜索
  8. d . Lafiandra g . Riccardi, p . r . Shewry”提高谷物粮食碳水化合物饮食和健康”,谷物科学杂志》卷,59号3、312 - 326年,2014页。视图:出版商的网站|谷歌学术搜索
  9. s . o .汉森·阿曼w·贝克尔et al .,“育种对公共卫生:战略,”食品科学与技术的趋势卷,80年,第140 - 131页,2018年。视图:出版商的网站|谷歌学术搜索
  10. c . z杨x l .蜀l . l . Zhang et al。”突变水稻高抗性淀粉的淀粉特性,”农业与食品化学杂志》上,54卷,不。2、523 - 528年,2006页。视图:出版商的网站|谷歌学术搜索
  11. d . l .一流的m·k·莫雷尔r·a·王,z, a . r .鸟和m . Noakes“抗性淀粉和health-himalaya 292、一本小说大麦品种提供福利给消费者,”Starch-Starke,55卷,不。12日,第545 - 539页,2003年。视图:出版商的网站|谷歌学术搜索
  12. 危害,x张、m . Naemeh和j . Dubcovsky”登记硬质小麦种质线和结合突变SBEII和SBEIIb基因赋予增加直链淀粉和抗性淀粉,”《植物注册,8卷,不。3、334 - 338年,2014页。视图:出版商的网站|谷歌学术搜索
  13. e . Botticella f . Sestili a . Hernandez-Lopez a·菲利普斯和d . Lafiandra“高分辨率融化分析检测EMS诱变小麦SbeIIa基因,”BMC植物生物学,11卷,不。1,p。156年,2011。视图:出版商的网站|谷歌学术搜索
  14. b .危害,x张,p . Colasuonno et al .,“诱导突变淀粉分支酶II (SBEII)基因硬质小麦直链淀粉和抗性淀粉含量增加,”作物科学,52卷,不。4、1754 - 1766年,2012页。视图:谷歌学术搜索
  15. x, j .徐y . Wang s . k .拉斯穆森和d·吴“γ辐照对大米淀粉消化率的影响与不同的抗性淀粉含量、”国际食品科学与技术杂志》上,48卷,不。1,35-43,2013页。视图:出版商的网站|谷歌学术搜索
  16. a . Mishra a·辛格·m·沙玛,p . Kumar和j·罗伊EMS-induced突变人口的发展对直链淀粉和抗性淀粉在面包小麦变异(小麦)和识别候选基因负责直链淀粉的变化,“BMC植物生物学,16卷,不。1,p。217年,2016。视图:出版商的网站|谷歌学术搜索
  17. a . Schonhofen x张,j . Dubcovsky”结合突变在五个小麦淀粉分支酶II基因提高抗性淀粉烘焙面包但影响籽粒产量和质量,”谷物科学杂志》卷,75年,第174 - 165页,2017年。视图:出版商的网站|谷歌学术搜索
  18. a·佩雷拉,诉梅达,r·t·泰勒“抗性淀粉:回顾分析协议确定抗性淀粉和抗性淀粉含量的影响因素的食物,“食品研究国际,43卷,不。8,1959 - 1974年,2010页。视图:出版商的网站|谷歌学术搜索
  19. d . Cozzolino s Roumeliotis, j . Eglinton”可行性研究利用衰减全反射米尔大麦、光谱测量果聚糖含量”分析方法》第六卷,没有。19日,7710 - 7715年,2014页。视图:出版商的网站|谷歌学术搜索
  20. d . Cozzolino s Degner, j . Eglinton”一个新颖的方法来监控大麦(大麦L)的水解麦芽:化学计量学的方法,”农业与食品化学杂志》上,卷62,不。48岁,11730 - 11736年,2014页。视图:出版商的网站|谷歌学术搜索
  21. b . Carbas n . Machado d Oppolzer et al .,“比较近红外(NIR)和中红外光谱测定(MIR)营养和抗营养参数豆子一样,“食品化学文章ID 125509卷,306年,2020年。视图:出版商的网站|谷歌学术搜索
  22. b·g·奥斯本t•费恩和p h·辛德,“实用近红外光谱在食品和饮料中的应用分析,”书实用近红外光谱在食品和饮料中的应用分析朗文科技,伦敦,英国,1993年。视图:谷歌学术搜索
  23. p . s .桑帕约苏亚雷斯,a . Castanho a·s·阿尔梅达j·奥利维拉和c .英国人“优化水稻直链淀粉测定NIR-spectroscopy使用请化学计量学算法,”食品化学卷,242年,第204 - 196页,2018年。视图:出版商的网站|谷歌学术搜索
  24. d·s·费雷拉,o . f . Galao j . a . l . Pallone和r . j . Poppi”的比较和应用近红外(NIR)和中红外光谱(MIR)测定大豆样品的质量参数”食品控制,35卷,不。1,第232 - 227页,2014。视图:出版商的网站|谷歌学术搜索
  25. 托雷斯,M.-T。桑切斯,m . Benlloch-Gonzalez和d . Perez-Marin灌溉决策支持基于叶片相对含水量测定使用近红外光谱在橄榄树林,“生物系统工程卷,180 - 58,2019页。视图:出版商的网站|谷歌学术搜索
  26. 诉Lippolis m·帕斯卡尔s Cervellieri a . Damascelli和a·维斯孔蒂“筛选deoxynivalenol污染硬质小麦MOS-based电子鼻和识别的挥发性化合物的相关模式,”食品控制37卷,第271 - 263页,2014年。视图:出版商的网站|谷歌学术搜索
  27. y, l·罗j·李et al .,“现场和实时监测的麦麸酶过程微型纤维近红外光谱仪,”食品研究国际卷,99年,第154 - 147页,2017年。视图:出版商的网站|谷歌学术搜索
  28. y黄、j·卡拉格和d . Cozzolino”测量的果糖、葡萄糖、麦芽糖和蔗糖在大麦麦芽用衰减全反射红外光谱,”食品分析方法,9卷,不。4、1079 - 1085年,2016页。视图:出版商的网站|谷歌学术搜索
  29. k . Sujka p . Koczońa . Ceglińska m .红色和h . Ciemniewska-Żytkiewicz”的应用傅立叶变换红外光谱对面粉的质量控制从波兰获得生产商,“分析方法在化学杂志》上卷,2017篇文章ID 4315678、9页,2017。视图:出版商的网站|谷歌学术搜索
  30. b . v .二者m·麦克纳利p Rossiter et al .,“测量酶消化淀粉和抗性淀粉的植物材料选择:合作研究中,“采用AOAC公认的国际期刊,卷85,不。5,1103 - 1111年,2002页。视图:出版商的网站|谷歌学术搜索
  31. 危险,k·特拉福德a . Lovegrove格里菲斯,c . Uauy和p . Shewry”策略来提高小麦对人类健康”,自然的食物,1卷,不。8,475 - 480年,2020页。视图:出版商的网站|谷歌学术搜索
  32. y邵,Du, j .周et al。”定量分析不同水稻土中硝酸盐氮同位素标记的使用中红外衰减全反射光谱,”分析方法,9卷,不。36岁,5388 - 5394年,2017页。视图:出版商的网站|谷歌学术搜索
  33. r·j·巴恩斯m . s . Dhanoa, s . j .李斯特”标准正态变量变换和de-trending近红外漫反射光谱,”应用光谱学,43卷,不。5,772 - 777年,1989页。视图:出版商的网站|谷歌学术搜索
  34. p . Geladi d MacDougall, h . Martens“线性化和scatter-correction近红外反射光谱的肉,”应用光谱学,39卷,不。3、491 - 500年,1985页。视图:出版商的网站|谷歌学术搜索
  35. c . m . McGoverin a . s . s .克拉克,美国e·霍尔德和k·c·戈登,”拉曼光谱定量奶粉成分。”分析Chimica学报,卷673,不。1、26 - 32,2010页。视图:出版商的网站|谷歌学术搜索
  36. m·r·阿尔梅达k·d。奥利维拉,r . Stephani和l . f . c . de Oliveira”奶粉傅里叶变换拉曼分析:一个潜在的方法快速质量筛选,“杂志的拉曼光谱,42卷,不。7,1548 - 1552年,2011页。视图:出版商的网站|谷歌学术搜索
  37. d . Damiran和p . Yu”分子基础的结构组成hulless大麦与奶牛瘤胃降解动力学和肠道可用性:一个新颖的方法,”乳品科学杂志》,卷94,不。10日,5151 - 5159年,2011页。视图:出版商的网站|谷歌学术搜索
  38. 张x p . Yu,“使用ATR-FT / IR分子光谱探测的影响混合DDGS夹杂物水平的分子结构光谱和代谢特征蛋白质hulless大麦,”Spectrochimica学报:分子和生物分子光谱学卷。95年,63年53 - 2012页。视图:出版商的网站|谷歌学术搜索
  39. b·斯图尔特和d . j .安藤”现代红外光谱法:通过开放学习分析化学,”《现代红外光谱法:通过开放学习分析化学,威利格林威治,伦敦,英国,1996年。视图:谷歌学术搜索
  40. 葛,j . m .朋友c . b . Lyndgaard r . Foschino和大肠,就锁定“啤酒发酵的糖和乙醇发展评估与红外光谱和多变量曲线分辨率模型,”食品研究国际卷,62年,第608 - 602页,2014年。视图:出版商的网站|谷歌学术搜索
  41. x l .谢你们,刘,y,“量化的葡萄糖、果糖和蔗糖在月桂树的果实汁通过近红外光谱和请,”食品化学,卷114,不。3、1135 - 1140年,2009页。视图:出版商的网站|谷歌学术搜索
  42. l·h·史,y Lei Louzada睡午觉,p . Yu,“评价近红外(NIR)和傅里叶变换红外(ATR-FT / MIR)光谱技术结合化学计量学测定肠道的蛋白质和粗蛋白消化率的小麦,“食品化学卷,272年,第513 - 507页,2019年。视图:出版商的网站|谷歌学术搜索
  43. g·b·罗西和v . a . Lozano”同时测定的质量参数在巴拉圭茶(冬青属paraguariensis)样品的应用近红外(NIR)光谱和部分最小二乘(PLS),“LWT-food科技,8卷,不。126年,第195239 - 195229页,2020年。视图:出版商的网站|谷歌学术搜索
  44. p·威廉姆斯和j . Antoniszyn近红外技术:得到最好的光美国国际扶轮,太阳出版社,普罗维登斯,2019年。
  45. h·e·史密斯,d . Cozzolino w . Cynkar, r . g . Dambergs m .障碍和m·基什,“近红外光谱作为一种快速工具来衡量雷司令葡萄酒中挥发性香气化合物:可能性和限制,“分析和分析化学,卷390,不。7,1911 - 1916年,2008页。视图:出版商的网站|谷歌学术搜索
  46. y邵,半人马y、y .他和f·刘,“红外光谱和化学计量学在辐照淀粉和蛋白质预测大米,“食品化学,卷126,不。4、1856 - 1861年,2011页。视图:出版商的网站|谷歌学术搜索
  47. y s Shin李,金正日,s . Choi j·g·金和k·李,“快速、非破坏性光谱分类方法牛肉新鲜度使用深谱网络融合与肌红蛋白信息,“食品化学文章ID 129329卷,352年,2021年。视图:出版商的网站|谷歌学术搜索

版权©2021年荣王等。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。

更多相关文章

对本文没有相关内容可用。
PDF 下载引用 引用
下载其他格式更多的
ePub
XML
订单打印副本订单
的观点197年
下载263年
引用

相关文章

对本文没有相关内容可用。

文章奖:2020年杰出的研究贡献,选择由我们的首席编辑。获奖的文章阅读。