释放可见-近红外(visible-near infrared, Visible-NIR)光谱技术潜力：预测金冠(Golden Delicious)苹果酶(enzyme)活性

《Journal of the Science of Food and Agriculture》：Unleashing the power of visible-near infrared spectroscopy: predicting Golden Delicious apple enzyme activity

　　

背景(BACKGROUND)：酶促褐变(enzymatic browning)是显著影响水果色泽、外观及品质的重要反应。苹果作为易腐农产品，其采后贮藏期间品质主要受两种褐变相关酶——多酚氧化酶(polyphenol oxidase, PPO)和过氧化物酶(peroxidase, POD)活性的影响。常规酶活测定方法具破坏性和耗时性，无法实现果实品质的快速、无损监测。本研究建立了一种可见-近红外(visible-NIR)光谱方法，用于预测完整金冠(Golden Delicious)苹果中PPO和POD的酶活性，旨在实现快速无损评价，并为工业应用识别最具信息量的光谱波段。结果(RESULTS)：将非线性特征选择算法与支持向量回归(support vector regression, SVR)和决策树(decision tree, DT)算法结合均获得较高性能；以运行时间和模型评价指标(figure of merits)综合考量，粒子群优化(particle swarm optimization, PSO)结合SVR和DT的方案表现最佳。然而偏最小二乘(partial least squares, PLS)模型的预测性能优于SVR-PSO和DT-PSO。结论(CONCLUSIONS)：本研究为可见-NIR光谱联合变量选择和机器学习算法预测苹果褐变相关酶活性提供了先进的概念验证。SVR和DT算法结合元启发式(metaheuristic)策略的性能虽不及PLS，但变量选择策略的成功为开发用于在贮藏期评估苹果品质及控制褐变的微型化传感器奠定了基础。? 2026 The Author(s). Journal of the Science of Food and Agriculture由John Wiley & Sons Ltd代表Society of Chemical Industry出版。

论文解读：《释放可见-近红外光谱技术潜力：预测金冠苹果酶活性》

该论文题为"Unleashing the power of visible-near infrared spectroscopy: predicting Golden Delicious apple enzyme activity"，由Mesri Gundoshmian T、Razavi MS、Akbari R、Tahmasebi M、Locatelli I、Grassi S合作完成，发表于《Journal of the Science of Food and Agriculture》。

研究背景与意义

酶促褐变(enzymatic browning)是水果加工与贮藏中的主要品质劣变反应，由多酚氧化酶(polyphenol oxidase, PPO)催化单酚羟基化为邻二酚、再氧化为邻苯醌，邻苯醌聚合生成黑色素(melanin)；过氧化物酶(peroxidase, POD)则参与过氧化氢依赖的酚类氧化，亦引起色泽、风味与质地劣变。苹果中约50%因品质缺陷和褐变被淘汰，PPO与POD是核心调控靶点。传统酶活测定需匀浆、离心等破坏性化学分析，无法对流通中果实进行在线、无损筛查；肉眼外观检查又无法反映内部生理状态。可见-近红外(visible-near infrared, Vis-NIR)光谱技术可非破坏性地获取样品光学信息，但原始光谱维数高、含冗余噪声，需借助变量选择(variable selection)与机器学习算法提炼与酶活相关的有效波长(effective wavelengths, EWs)，以实现简化模型和微型传感器开发。鉴于此前鲜见采用非线性算法优化光谱模型预测苹果PPO和POD活性的研究，研究人员开展了此项工作。

主要关键技术方法

研究人员采集伊朗西北部Ardabil省Mianeh县果园同期采收的100枚无损伤金冠(Golden Delicious)苹果，4±0.5℃避光冷藏，分为校正/交叉验证集(第1天80枚)与外部验证集(第2天20枚)。用Apogee PS-100可见-近红外光谱仪于光隔离舱内以光纤探头直接接触果面，在480–980 nm采集每枚果两个正交点光谱(共200条)，以黑白板校正。对应部位果组织用磷酸缓冲液提取酶，PPO活性以0.07 mol L^?1邻苯二酚(catechol)为底物于420 nm测动力学吸光度变化，表示为absorbance min^?1g^?1；POD活性以p-苯二胺(p-phenylenediamine)及H₂O₂为底物于485 nm测，表示为μg g^?1min^?1。光谱经主成分分析(principal component analysis, PCA)结合Hotelling's T²与Q-残差剔除异常值。以偏最小二乘回归(partial least squares regression, PLSR)为基准模型；同时将支持向量回归(support vector regression, SVR)和决策树(decision tree, DT)分别联用遗传算法(genetic algorithm, GA)、粒子群优化(particle swarm optimization, PSO)、蚁群优化(ant colony optimization, ACO)、帝国主义竞争算法(imperialist competitive algorithm, ICA)四种元启发式(metaheuristic)算法做波长优选，按校准集(~70%首日样本)、交叉验证、两个独立外部预测集(test set 1为~30%首日样本，test set 2为第2天样本)评价，指标含决定系数(R²)、均方根误差(root mean square error, RMSE)、预测均方根误差(root mean square error of prediction, RMSEP)、偏差(bias)及性能偏差比(ratio of performance to deviation, RPD)。

研究结果

破坏性化学分析结果(Destructive chemical analysis results for PPO and POD activities)

POD活性范围6.513–8.468 μg g^?1min^?1(均值7.462，SD 0.646)，PPO活性范围5.045–6.402 absorbance min^?1g^?1(均值5.806，SD 0.414)；实验室标准误(standard error of laboratory, SEL)分别为0.03和0.01。因同期同品种采收，酶活变异范围偏窄，但SEL低证实参考方法重复性良好。

光谱探索(Spectra exploration)

原始光谱在680 nm附近有主吸收峰(关联叶绿素O–H四倍频/C–H五倍频)，600–650 nm区间吸收随PPO/POD活性升高略增，提示与酚类及褐变相关。PCA前两个主成分(PC1 61.4%，PC2 36.1%)得分图按酶活高低呈梯度分布，低酶活样本位于第IV象限(PC1正、PC2负)，高酶活聚类于第II象限，表明PPO与POD活度光谱响应高度相关；载荷图显示600–650 nm与720–980 nm(水及C–H倍频)对区分有贡献。Hotelling's T²–Q残差图以95%置信限剔除26个异常光谱。

偏最小二乘回归(PLSR)

POD与PPO最优潜变量(latent variables, LVs)数均为4。校正集R²_cal分别为0.98与0.99，RMSE_cal为0.081与0.044；交叉验证R²_cv均为0.98，RMSE_cv为0.090与0.049；外部验证test set 1预测R²_pred分别为0.98与0.99，RMSEP为0.079与0.040；test set 2预测R²_pred分别为0.98与0.98，RMSEP为0.081与0.039。RMSEP约为参考方法SEL的2.7倍(POD)和3.9倍(PPO)，证明PLS模型预测精度接近实验室误差水平，稳定可靠。

元启发式算法结合DT和SVR的波长选择(Feature selection by metaheuristic algorithms combined with DT and SVR)

SVR联用GA、PSO、ICA各选4–6个EWs，单次运行约3.6–4.4 s；ACO选6–8个EWs且耗时约88–100 s。DT模型选6–10个EWs，耗时6–14 s。收敛性分析表明遗传算法(GA)平均收敛相关(ACC)最低、平均收敛误差(ACE)最高；粒子群优化(PSO)随迭代ACE下降且ACC上升最稳定，优于GA、ACO与ICA，故选定PSO做后续建模。

基于PSO筛选波长的回归建模(Regression modeling using PSO-selected wavelengths)

PSO-SVR与PSO-DT对POD和PPO在校正及外部验证中R²可达0.87–0.97，偏差较小，斜率近1，多数RPD>2。但相较PLS，SVR-PSO与DT-PSO的预测误差略大(RMSEP_POD最高至0.242，PPO最高至0.171)，跨阶段指标稳定性降低，存轻微过拟合倾向。不过PSO筛选少量EWs(4–5个)大幅压缩数据维度且保持可接受精度，利于在线快速处理。

讨论与结论翻译

本研究中，可见-近红外(visible-NIR)光谱被用于估算金冠(Golden Delicious)苹果组织中PPO和POD两种酶的活性，随后使用破坏性参考方法测定了果实的酶含量。经PCA数据探索发现，600–650 nm可见光区及720–980 nm区间存在与酶活差异相关的分布趋势，680 nm波段影响最大。因此建立了PLSR模型作为可见-近红外光谱领域的基准回归方法。PPO预测R²达0.98，RMSEP为0.039 absorbance min^?1g^?1(变动范围5.05–6.4)；POD预测表现相当，RMSEP为0.081 μg g^?1min^?1(变动范围6.5–8.5)。为优化误差、计算时间与变量(波长)精简程度，尝试将SVR和DT算法分别与GA、PSO、ACO及ICA结合建模。基于所选有效波长(effective wavelengths, EWs)数量最少、执行时间最短及平均收敛相关(ACC)趋近1、平均收敛误差(ACE)趋近0，选定PSO算法进行特征提取。SVR-PSO与DT-PSO均在效率与预测精度间取得较高平衡。然而PLS建模取得了最高性能，尤其在测试阶段的模型稳定性方面。研究结果表明，将可见-近红外光谱与基于PSO的变量选择及回归建模相结合，可实现对苹果组织中酶活性的计算高效预测。尽管PLS模型表现出更优性能，所提出的方法仍可用于工业和商业苹果加工中的快速无损品质评估，重点关注为每个酶鉴定出的最具信息量的波长。