采用多元方法监测饲粮诱导的生牛乳成分变化以实现准确定量表征

《Journal of Dairy Science》：Monitoring diet-induced variations in cow milk employing multivariate methods for accurate quantitative profiling

　　

摘要：生牛乳的品质受多种因素影响，其中饲料组成是最显著的因素之一。本研究通过结合常规化学分析与专为生牛乳分析设计的、搭载脂肪酶(lipase)、β-半乳糖苷酶(β-galactosidase)及半乳糖氧化酶(galactose oxidase)基敏感膜的电位型生物电子舌(bioelectronic tongue, bioET)，评估了不同饲喂方案对生乳组成的影响。研究人员比较了采食标准饲粮(standard diet, SF)奶牛的乳样与采食补充必需脂肪酸(essential fatty acids, EFAF)、单宁与植物源脂肪酸(tannins and plant-derived fatty acids, TA)或3-硝基氧基丙醇(3-nitrooxypropanol, 3-NOP)饲粮奶牛的乳样。常规化学数据的多元分析显示，EFAF和TA补充显著影响了脂肪相关参数，包括总脂肪酸(total fatty acids, TFA)、饱和脂肪酸(saturated fatty acids, SFA)及短链脂肪酸(short-chain fatty acids, SCFA)，而3-NOP未产生可检测变化，与其已知代谢机制相符。采用径向基函数核的支持向量机(Support Vector Machines with a radial basis function kernel, SVM-RBF)按饲喂方案对样品分类，分类误差分别为EFAF组21.1%、TA组24.6%。bioET结果验证了上述趋势，分类性能更优(EFAF组17.1%，TA组20.3%)，且3-NOP同样无显著影响。此外，bioET与脂肪相关参数及乳糖呈强相关性，符合传感器阵列的酶特异性。关键变量如脂肪(R2= 0.96)和SFA(R2= 0.97)实现了高预测精度，可从单次快速测量中可靠估算多项组分。研究结果表明，优化后的bioET可作为检测饲粮诱导生乳变化及预测主要成分参数的快速、无损工具，为乳制品生产中的营养监控提供了新途径。

论文解读：采用多元方法监测饲粮诱导的生牛乳成分变化以实现准确定量表征

牛乳质量受饲粮组成直接影响，不同功能性添加剂（必需脂肪酸EFAF、植物单宁TA、甲烷抑制剂3-NOP）可调控瘤胃代谢进而改变乳成分，但传统理化检测方法耗时、昂贵且需复杂前处理，而生牛乳基质复杂，现有电子舌应用于生乳的研究较少，且能否捕捉细微饲粮诱导变化并定量预测成分尚待验证。为此，研究人员结合常规傅里叶变换红外光谱（Fourier Transform Infrared spectroscopy, FTIR）分析与含酶敏感膜的电位型生物电子舌（bioelectronic tongue, bioET），系统评估三种饲粮添加对生乳组成的影响，并利用多元统计学方法建立判别与预测模型。结果显示EFAF与TA引起可检测的乳脂相关组分变化，3-NOP对乳成分无显著影响；bioET不仅复现化学分析趋势，且在分组判别与关键成分定量预测上表现更优。该研究证明优化bioET可作为乳品生产与营养管理的快速、无损监测手段，论文发表于《Journal of Dairy Science》。

主要关键技术方法

研究人员采集饲喂标准饲粮（SF）及分别补充EFAF、TA、3-NOP饲粮的荷斯坦奶牛个体生乳样品，采用switch-back交叉实验设计于第0、4、8周采样（n≈60/组，剔除约3.3%离群值）。化学表征由MilkoScan FTIR测定脂肪、蛋白、乳糖、尿素及气相色谱衍生脂肪酸类别（SFA、MUFA、PUFA、SCFA、MCFA、LCFA、TFA等）；bioET由3支含纳米金羧基聚氯乙烯（carboxylated poly(vinyl chloride), C-PVC）非特异电位传感器与6支酶膜传感器（脂肪酶lipase、β-半乳糖苷酶β-galactosidase、半乳糖氧化酶galactose oxidase）构成，样品1:1稀释后测电位并做漂移校正（KCl参比、均值中心化标准化）。数据采用主成分分析（Principal Component Analysis, PCA）、线性判别分析（Linear Discriminant Analysis, LDA）、单因素方差分析（one-way ANOVA）及径向基函数核支持向量机（SVM with radial basis function kernel, SVM-RBF）建分类模型；成分定量采用多元线性回归（Multiple Linear Regression, MLR）、线性及径向基SVM回归。

研究结果

Study of the effect of feeding in the composition of raw milk using classical chemical methods and multivariate data analysis

研究人员经ANOVA发现，EFAF组Sampling 2时TFA（P=0.024）、SFA（P=0.021）、SCFA（P=0.033）显著升高，Sampling 3时TFA与SFA仍显著；TA组蛋白（P=0.031）与β-酪蛋白（P=0.027）Sampling 2、3均显著升高，TFA仅Sampling 2显著；3-NOP组仅Sampling 3时TFA边缘显著（P=0.030）且无其他差异。PCA显示EFAF与TA组对照与处理样品呈趋向分离，交叉换组后分布反转印证饲粮驱动；3-NOP组完全重叠。SVM-RBF基于19项化学参数分类误差EFAF为21.1%、TA为24.6%、3-NOP达47.2%，表明传统单一参数对饲粮微效区分力有限。

BioET specific for the analysis of raw milk Study of the effect of feeding in the composition

研究人员对bioET实施每日KCl参比测量与批量标准乳监控，变异系数CV<5%~6%，超阈值即更换传感器；采用均值中心化减基线并合成参考不确定度做标准化校正。bioET的PCA与LDA结果与化学分析一致——EFAF与TA组可判别且交叉换组反转，3-NOP无聚类。bioET的SVM-RBF分类误差降至EFAF 17.1%、TA 20.3%，3-NOP升至45.3%，判别力优于单纯化学数据。

Correlation models between physicochemical parameters and bioET. Assessment of the chemical composition of raw milk using a bioET

研究人员以传感器响应为自变量建回归模型，SVM-RBF效果最优：脂肪%（R²_Val=0.976）、SFA（R²_Val=0.965）、总脂肪酸TFA（R²_Val=0.993）、乳糖（R²_Val=0.908）、尿素（R²_Val=0.956）预测精度高；丙酮与β-羟丁酸（β-hydroxybutyrate, BHB）因无对应酶元件R²近0。跨实验全局模型进一步验证bioET对脂肪相关组分及含特异酶靶标的乳糖、尿素具良好泛化预测能力。

讨论与结论总结

研究表明EFAF与TA补充引发生乳脂质及蛋白相关参数中度但可检的变化，3-NOP不影响乳成分析出，符合其只抑制产甲烷菌甲基辅酶M还原酶（methyl-coenzyme M reductase）而不干扰乳合成通路的机制。单纯化学参数多元模型判别力有限，而搭载脂肪酶、β-半乳糖苷酶及半乳糖氧化酶的bioET不仅重现化学趋势，且凭借整体模式响应提升饲粮分组判别率，并以SVM-RBF实现关键成分高精度预测。结论如下：本研究评估了EFAF、TA及3-NOP三种饲粮添加剂对生牛乳组成的影响及专为生乳优化的bioET性能。EFAF与TA致乳脂相关参数（TFA、SFA、SCFA）一致性修饰，蛋白相关参数受TA轻微影响；3-NOP无统计显著变化。基于化学参数的分类模型判别力有限；含酶功能化膜的bioET复现上述趋势且SVM-RBF分类误差低于化学数据（EFAF 17.1% vs 21.1%；TA 20.3% vs 24.6%）。回归模型证实bioET可准确预测脂肪%、SFA、TFA及乳糖等（R²>0.96），实现单次测量多参数分析。综上，饲粮改变乳脂构成可在生乳中产生可检变异，优化bioET是乳制品生产中营养监控与品质评价的快速、无损且信息丰富的替代手段，具备实时工业应用潜力。