近红外水光谱组学在发酵过程关键参数测定中的应用与探索

近红外水光谱组学在发酵过程关键参数测定中的应用与探索一、引言1.1研究背景与意义发酵过程作为生物技术产业的核心环节，广泛应用于食品、制药、化工等诸多领域。在发酵过程中，生物量、甘油、甲醇等关键参数对于发酵进程的把控、产品质量的保障以及生产效率的提升起着至关重要的作用。精准测定这些参数，能够为发酵过程的优化控制提供有力依据，从而有效提高发酵产品的产量与质量，降低生产成本。例如在制药领域的抗生素发酵过程中，实时掌握生物量和关键底物、产物浓度，有助于及时调整发酵条件，提高抗生素的产量和纯度，满足临床用药需求；在食品发酵行业，如酸奶发酵，对生物量和代谢产物的监测能保证酸奶的品质稳定，口感一致。传统的发酵过程参数测定方法，如化学分析法、色谱分析法等，虽具备较高的准确性，但存在操作繁琐、分析时间长、需要破坏样品以及无法实现实时在线监测等缺点。这些不足使得传统方法难以满足现代发酵工业对高效、实时、无损监测的迫切需求。在快速发展的生物发酵产业中，传统方法的滞后性愈发明显，无法及时反馈发酵过程中的动态变化，容易导致生产过程的延误和资源的浪费。近红外水光谱组学技术作为一种新兴的分析技术，近年来在多个领域展现出独特的优势和巨大的应用潜力。近红外光（NearInfrared，NIR）是介于可见光（VIS）和中红外光（IR）之间的电磁波，其波长范围一般为780-2500nm。在这一波段内，物质的光学吸收主要由化学键振动和分子的二次振动引起。近红外水光谱组学技术正是利用近红外光与物质分子相互作用产生的光谱信息，结合先进的化学计量学方法，实现对样品中多种成分的定性和定量分析。该技术具有诸多显著优点：分析速度快，一般样品可在1min内完成检测，能够快速提供发酵过程中的参数信息，便于及时调整生产策略；无需样品预处理，可直接对液体、固体、半固体和胶状体等多种形态的样品进行测定，避免了繁琐的样品前处理步骤，减少了样品损失和污染的风险；测量方式丰富，可通过透射、漫反射、透反射等多种方式采集光谱，适用于不同发酵场景下的样品检测；不损伤样品，属于无损检测技术，能够保持样品的原始状态，便于后续分析和处理；可同时对样品多个组分进行定性和定量分析，为全面了解发酵过程提供丰富的数据支持；在光纤探头的辅助应用下，易实现在线分析及监测，极适合于生产过程和恶劣环境下的样品分析，能够实时反馈发酵过程中的参数变化，为实现发酵过程的自动化控制提供可能。将近红外水光谱组学技术应用于发酵过程生物量、甘油、甲醇含量的测定，具有重要的现实意义。一方面，能够实现对发酵过程关键参数的实时、在线监测，为发酵过程的优化控制提供及时、准确的数据支持，有助于提高发酵产品的质量和产量，降低生产成本，增强企业的市场竞争力；另一方面，该技术的应用还能够推动发酵工业向智能化、自动化方向发展，促进生物技术产业的转型升级，为相关领域的可持续发展奠定坚实的基础。1.2国内外研究现状在国外，近红外水光谱组学技术在发酵过程参数测定方面的研究开展较早且成果丰硕。早在20世纪末，就有研究团队开始尝试将近红外光谱技术应用于发酵过程监测。例如，一些学者针对微生物发酵过程，利用近红外光谱结合化学计量学方法，对生物量进行测定。他们通过采集不同发酵阶段的样品光谱，建立了生物量与光谱数据之间的数学模型，实现了对生物量的快速、准确预测。在甘油含量测定方面，国外研究人员在生物柴油生产相关的发酵过程中，运用近红外光谱技术，成功监测了甘油作为副产物的浓度变化，为发酵过程的优化提供了关键数据支持。对于甲醇含量的检测，在涉及甲醇利用型微生物的发酵研究中，近红外光谱技术被用于实时追踪甲醇浓度，有效避免了甲醇浓度过高或过低对发酵进程的不利影响。在国内，随着对近红外光谱技术研究的深入，近年来在发酵过程生物量、甘油、甲醇含量测定方面也取得了显著进展。科研人员针对多种发酵体系，如抗生素发酵、食品发酵等，开展了近红外光谱技术的应用研究。在生物量测定中，通过改进光谱采集方式和化学计量学算法，提高了生物量预测模型的准确性和稳定性。在甘油和甲醇含量测定方面，国内研究结合具体的发酵工艺特点，建立了针对性强的检测模型，实现了对发酵液中甘油和甲醇浓度的在线监测。例如，在某些化工原料发酵生产过程中，利用近红外光谱技术对甘油含量进行实时监测，为生产过程的精细化控制提供了有力手段；在涉及甲醇代谢的发酵研究中，通过优化近红外光谱检测条件，实现了对甲醇浓度的准确测定，保障了发酵过程的安全和高效运行。然而，当前近红外水光谱组学技术在发酵过程参数测定的研究中仍存在一些不足。一方面，不同发酵体系具有各自独特的复杂性，现有的检测模型往往通用性较差，难以直接应用于不同类型的发酵过程，需要针对具体的发酵菌种、培养基成分和发酵条件等进行大量的实验和模型优化工作。另一方面，在实际发酵生产环境中，存在诸多干扰因素，如发酵罐内的温度、压力变化，搅拌和通气等操作对光谱采集的影响，以及发酵液中其他成分对目标物质光谱信号的干扰等，这些因素都增加了准确测定生物量、甘油和甲醇含量的难度，如何有效消除这些干扰因素，提高检测的准确性和可靠性，仍是亟待解决的问题。此外，虽然近红外光谱技术在理论上能够实现实时在线监测，但目前在实际生产中的应用还不够普及，主要原因在于检测设备的成本较高，以及相关技术人员对该技术的操作和维护能力有待提升。1.3研究目标与内容本研究旨在深入探究近红外水光谱组学技术在发酵过程生物量、甘油、甲醇含量测定中的应用，建立一套准确、高效、实时的测定方法和数学模型，以满足现代发酵工业对过程监测和控制的需求。具体研究内容如下：近红外水光谱组学测定原理研究：系统研究近红外光与发酵液中生物量、甘油、甲醇分子相互作用的机制，分析其在近红外波段的光谱特征，明确光谱信号与物质含量之间的内在联系。通过查阅大量文献资料，结合理论计算和实验验证，深入探讨分子振动模式、化学键特性等因素对光谱吸收峰位置、强度和形状的影响。例如，研究生物量中蛋白质、核酸等成分的近红外光谱特征，分析甘油和甲醇分子中特定化学键的振动吸收特性，为后续的定量分析提供坚实的理论基础。近红外光谱采集与预处理方法研究：针对发酵过程的复杂特性，探索适合发酵液光谱采集的最佳方式，包括透射、漫反射、透反射等，并研究不同采集方式在实际应用中的优缺点和适用范围。同时，对采集到的原始光谱数据进行预处理，以消除噪声、基线漂移等干扰因素，提高光谱数据的质量和稳定性。对比多种预处理方法，如卷积平滑（Savitzky-Golay）、快速傅立叶变换光滑（FastFourierTransformSmoothing）、一阶导数（FirstOrderDerivative）、二阶导数处理（SecondOrderDerivative）、标准正态变换（StandardNormalVariate）和小波变换（WaveletTransform）等，通过实验评估不同方法对光谱数据的处理效果，选择最适合本研究的预处理方法组合。基于化学计量学的定量分析模型建立：运用偏最小二乘法（PLS）、径向基神经网络（RBFNN）等化学计量学方法，建立发酵过程生物量、甘油、甲醇含量与近红外光谱数据之间的定量分析模型。在建模过程中，对模型的参数进行优化，如选择合适的主成分数、隐含层节点数等，以提高模型的预测准确性和泛化能力。通过大量的实验数据，采用交叉验证等方法对模型进行训练和验证，不断调整模型参数，使模型能够准确地预测发酵液中生物量、甘油和甲醇的含量。模型验证与优化：使用独立的实验数据对建立的定量分析模型进行验证，评估模型的预测性能，包括预测误差、相关系数等指标。针对模型验证过程中发现的问题，如过拟合、欠拟合等，采取相应的优化措施，如增加样本数量、改进建模算法、优化光谱预处理方法等，进一步提高模型的准确性和可靠性。同时，研究不同发酵条件（如温度、pH值、搅拌速度等）对模型预测性能的影响，探索模型的适用范围和局限性，为模型在实际发酵生产中的应用提供参考依据。实际发酵过程应用研究：将建立的近红外水光谱组学测定方法和优化后的定量分析模型应用于实际发酵过程，实现对生物量、甘油、甲醇含量的实时在线监测。通过与传统检测方法进行对比，验证该技术在实际应用中的可行性和优越性。在实际发酵生产中，安装近红外光谱在线监测设备，实时采集发酵液的光谱数据，并通过建立的模型快速准确地计算出生物量、甘油和甲醇的含量。将监测结果反馈给发酵控制系统，根据实际情况及时调整发酵条件，优化发酵过程，提高发酵产品的质量和产量。1.4研究方法与技术路线本研究采用实验研究、数据处理与分析等方法，深入开展近红外水光谱组学用于发酵过程生物量、甘油、甲醇含量测定的研究。具体技术路线如下：样品准备：选择具有代表性的发酵体系，如常用的微生物发酵菌株，按照标准的发酵工艺进行发酵实验。在发酵过程中，定时采集发酵液样品，确保样品能够反映不同发酵阶段的特性。同时，使用传统的标准分析方法，如干重法测定生物量，高效液相色谱法测定甘油含量，气相色谱法测定甲醇含量，准确测定每个样品中生物量、甘油、甲醇的实际浓度，作为后续模型建立和验证的参考数据。近红外光谱采集：选用性能优良的近红外光谱仪，针对发酵液的特点，分别采用透射、漫反射、透反射等不同的光谱采集方式进行实验。在采集光谱时，严格控制实验条件，保持环境温度、湿度的稳定，避免外界因素对光谱采集的干扰。对于每种采集方式，重复采集多次光谱数据，以提高数据的可靠性和稳定性。光谱预处理：将采集到的原始近红外光谱数据导入到专业的数据处理软件中，采用多种预处理方法对光谱数据进行处理。对比卷积平滑（Savitzky-Golay）、快速傅立叶变换光滑（FastFourierTransformSmoothing）、一阶导数（FirstOrderDerivative）、二阶导数处理（SecondOrderDerivative）、标准正态变换（StandardNormalVariate）和小波变换（WaveletTransform）等方法的处理效果，通过计算光谱数据的信噪比、基线稳定性等指标，选择能够有效去除噪声、消除基线漂移、增强光谱特征的预处理方法组合，得到高质量的光谱数据。定量分析模型建立：运用偏最小二乘法（PLS）、径向基神经网络（RBFNN）等化学计量学方法，将预处理后的光谱数据与对应的生物量、甘油、甲醇含量的参考数据进行关联分析，建立定量分析模型。在建立偏最小二乘法模型时，通过交叉验证等方法确定最佳的主成分数，以避免模型过拟合或欠拟合；在构建径向基神经网络模型时，优化隐含层节点数、径向基函数的宽度等参数，提高模型的非线性拟合能力。模型验证与优化：将采集的样品分为训练集和验证集，使用训练集数据对建立的定量分析模型进行训练，然后用验证集数据对模型进行验证。通过计算预测误差（如均方根误差RMSE、平均绝对误差MAE等）、相关系数（R²）等指标，评估模型的预测性能。针对模型验证过程中发现的问题，如预测误差较大、泛化能力不足等，采取相应的优化措施。例如，增加样本数量，使模型能够学习到更广泛的数据特征；改进建模算法，尝试不同的参数设置和模型结构；优化光谱预处理方法，进一步提高光谱数据的质量。通过不断地验证和优化，提高模型的准确性和可靠性。实际发酵过程应用：将优化后的定量分析模型应用于实际发酵过程，通过在线近红外光谱监测设备，实时采集发酵液的光谱数据，并利用建立的模型快速计算出生物量、甘油、甲醇的含量。将监测结果与传统检测方法的结果进行对比，验证近红外水光谱组学技术在实际应用中的可行性和优越性。同时，根据监测结果及时调整发酵条件，如温度、pH值、搅拌速度、通气量等，实现发酵过程的优化控制，提高发酵产品的质量和产量。二、近红外水光谱组学基本原理2.1近红外光谱的产生与特征近红外光谱的产生源于分子振动的非谐振性。在分子中，原子通过化学键相互连接，这些化学键并非静止不动，而是处于不断的振动状态。分子振动主要包括伸缩振动和弯曲振动，伸缩振动是指原子沿着化学键方向的往复运动，如同弹簧的拉伸和压缩；弯曲振动则是指原子相对于化学键方向的非直线运动，如剪刀的开合运动。当分子受到特定频率的红外光照射时，如果红外光的频率与分子振动的固有频率相匹配，分子就会吸收红外光的能量，从基态振动能级跃迁到激发态，从而产生吸收光谱。在近红外区域，分子振动的跃迁主要涉及到含氢基团（如OH、NH、CH）振动的合频和各级倍频吸收。合频是指分子中两个或多个不同振动模式的频率之和，例如一个C-H键的伸缩振动频率与一个O-H键的弯曲振动频率之和；倍频则是分子从基态振动能级跃迁到第二、第三等激发态所产生的吸收，即振动频率的整数倍。以水分子为例，水分子中的O-H键在近红外区存在由伸缩振动与弯曲振动组合产生的倍频和合频吸收峰，其在约1450nm和1950nm处有明显的吸收带，这是由于O-H键的一级倍频和组合频吸收导致的。近红外光谱具有一些独特的特征。首先，近红外光谱包含了丰富的结构和组成信息。不同基团（如甲基、亚甲基、苯环等）或同一基团在不同化学环境中的近红外吸收波长与强度都有明显差别，这使得通过分析近红外光谱能够获取分子的结构和组成信息。例如，在发酵液中，生物量中的蛋白质含有大量的N-H键，其在近红外光谱中会有特定的吸收特征；甘油分子中含有多个O-H键和C-H键，这些化学键的振动在近红外区会产生相应的吸收峰，通过分析这些吸收峰的位置和强度，可以推断甘油的存在和含量；甲醇分子中的C-H键和O-H键也会在近红外光谱中表现出独特的吸收特性，从而用于甲醇含量的检测。其次，近红外光谱的吸收强度相对较弱。与中红外光谱相比，近红外光谱的吸收强度通常要低1-2个数量级。这是因为近红外光谱的吸收主要源于分子振动的倍频和合频跃迁，这些跃迁的概率相对较低。然而，随着仪器技术和化学计量学方法的不断发展，这一缺点在一定程度上得到了克服。例如，采用高灵敏度的近红外光谱仪和先进的数据处理算法，可以提高对近红外光谱信号的检测和分析能力。再者，近红外光谱的吸收带较宽且重叠严重。由于分子振动的复杂性以及不同基团吸收峰的相互影响，近红外光谱中的吸收带往往较宽，并且多个吸收峰可能会相互重叠。这给传统的光谱分析方法带来了很大的挑战，因为难以从重叠的光谱中准确分辨出各个基团的吸收信息。但化学计量学的发展为解决这一问题提供了有效的途径，通过多元统计分析、偏最小二乘法等化学计量学方法，可以对复杂的近红外光谱数据进行处理和分析，提取出有用的信息。例如，偏最小二乘法可以在存在多重共线性的情况下，建立光谱数据与物质含量之间的定量关系模型，从而实现对发酵液中生物量、甘油和甲醇含量的准确测定。2.2水在近红外光谱中的吸收特性水作为一种常见且重要的物质，在近红外光谱中具有独特的吸收特性，这也是近红外水光谱组学的重要基础。水分子由一个氧原子和两个氢原子组成，其结构中的O-H键使得水在近红外波段有明显的吸收。水在近红外光谱中的吸收主要源于O-H键振动的倍频和合频吸收。在近红外区域，水的主要吸收峰位于1450nm和1950nm附近。其中，1450nm处的吸收峰是O-H键伸缩振动的一级倍频吸收，1950nm处的吸收峰则是由O-H键的伸缩振动与弯曲振动组合产生的合频吸收。这些吸收峰的存在为利用近红外光谱检测水以及与水相关的物质提供了依据。水在近红外光谱中的吸收强度与水的含量密切相关。根据朗伯-比尔定律（A=εcl，其中A为吸光度，ε为摩尔吸光系数，c为物质浓度，l为光程长度），在一定的光程下，水的含量越高，对近红外光的吸收强度就越大。例如，在发酵液中，随着发酵过程的进行，生物量的生长和代谢产物的积累会导致发酵液中水分含量发生变化，这种变化会在近红外光谱的吸收强度上体现出来。通过测量近红外光在发酵液中的吸收强度变化，结合朗伯-比尔定律，就可以间接推断出发酵液中生物量、甘油、甲醇等物质的含量变化。因为这些物质的含量变化往往伴随着水分含量的改变，而水分含量的改变又会影响近红外光谱的吸收强度。水的吸收特性还受到温度、压力等环境因素的影响。温度升高时，水分子的热运动加剧，分子间的相互作用减弱，导致水在近红外光谱中的吸收峰位置和强度发生变化。研究表明，温度每升高1℃，水在1450nm处的吸收峰强度会有一定程度的降低。压力的变化也会对水的吸收特性产生影响，随着压力的增加，水分子间的距离减小，相互作用增强，可能导致吸收峰的位移和展宽。在实际发酵过程中，发酵罐内的温度和压力是不断变化的，这些变化会干扰近红外光谱对生物量、甘油、甲醇含量的准确测定。因此，在利用近红外水光谱组学技术进行测定时，需要考虑温度和压力等因素对水吸收特性的影响，并采取相应的校正措施，以提高测定的准确性。此外，水与其他物质的相互作用也会改变其在近红外光谱中的吸收特性。在发酵液中，水与生物量、甘油、甲醇等物质存在着复杂的相互作用。例如，生物量中的蛋白质、多糖等大分子物质会与水分子形成氢键，这种氢键的形成会改变水分子的振动模式，从而影响水在近红外光谱中的吸收峰位置和强度。甘油和甲醇等小分子物质也会与水发生相互作用，影响水的光谱特性。这种相互作用的复杂性增加了近红外水光谱组学分析的难度，但同时也为获取更多关于发酵液成分和结构的信息提供了可能。通过深入研究水与其他物质相互作用对近红外光谱吸收特性的影响，可以进一步提高近红外水光谱组学技术在发酵过程参数测定中的准确性和可靠性。2.3近红外水光谱组学用于成分测定的理论依据近红外水光谱组学用于发酵过程中生物量、甘油、甲醇含量测定的理论基础主要基于朗伯-比尔定律以及物质分子在近红外波段的特征吸收。朗伯-比尔定律是光谱定量分析的重要基础，其数学表达式为A=εcl。在该公式中，A代表吸光度，它反映了物质对光的吸收程度；ε为摩尔吸光系数，是物质的特征常数，不同物质具有不同的摩尔吸光系数，它表征了物质对特定波长光的吸收能力；c表示物质的浓度，即单位体积内物质的量；l为光程长度，是指光在样品中传播的距离。该定律表明，当一束平行的单色光通过均匀、非散射的稀溶液时，溶液的吸光度与溶液中吸光物质的浓度及光程长度成正比。这意味着在一定条件下，通过测量光经过样品后的吸光度变化，就可以计算出样品中吸光物质的浓度。在近红外水光谱组学中，发酵液中的生物量、甘油、甲醇等物质分子中的含氢基团（如OH、NH、CH）在近红外波段会产生特征吸收。这些基团的振动能级跃迁对应着不同的近红外吸收峰，例如生物量中的蛋白质含有大量的N-H键，其在近红外光谱中会有特定的吸收峰；甘油分子中含有多个O-H键和C-H键，这些化学键的振动在近红外区会产生相应的吸收峰；甲醇分子中的C-H键和O-H键也会在近红外光谱中表现出独特的吸收特性。由于不同物质的分子结构和化学键组成不同，它们在近红外光谱中的吸收峰位置、强度和形状也各不相同，这些差异构成了近红外光谱定性和定量分析的基础。以生物量测定为例，生物量主要由微生物细胞组成，细胞中包含蛋白质、核酸、多糖等生物大分子。这些大分子中的含氢基团在近红外波段的吸收与生物量的含量密切相关。当近红外光照射发酵液时，生物量中的含氢基团会吸收特定波长的近红外光，导致光的强度发生变化。根据朗伯-比尔定律，通过测量光强度的变化（即吸光度），并结合已知生物量浓度的标准样品建立的校准曲线或数学模型，就可以推算出发酵液中生物量的浓度。对于甘油含量的测定，甘油分子中的O-H键和C-H键在近红外区有明显的吸收。在近红外光谱中，甘油会在特定波长处产生吸收峰，其吸收强度与甘油的浓度成正比。通过采集发酵液的近红外光谱，找到与甘油相关的特征吸收峰，并利用化学计量学方法建立光谱数据与甘油浓度之间的定量关系模型，就能够实现对发酵液中甘油含量的准确测定。甲醇的测定原理与之类似，甲醇分子中的C-H键和O-H键在近红外波段有独特的吸收特征。当近红外光与发酵液中的甲醇分子相互作用时，会在特定波长处产生吸收，通过检测这些吸收峰的强度变化，并结合朗伯-比尔定律和化学计量学方法，建立准确的定量分析模型，从而实现对发酵液中甲醇含量的测定。然而，在实际的发酵过程中，情况较为复杂。发酵液是一个多组分体系，除了目标测定的生物量、甘油和甲醇外，还含有其他多种物质，如糖类、氨基酸、无机盐等，这些物质的存在可能会对目标物质的近红外光谱产生干扰。此外，发酵过程中的温度、pH值、搅拌速度等因素也会影响物质分子的结构和相互作用，进而影响近红外光谱的特征。因此，在利用近红外水光谱组学进行成分测定时，需要采用合适的光谱预处理方法和化学计量学算法，以消除干扰因素，提高测定的准确性和可靠性。例如，通过多元散射校正（MSC）、标准正态变量变换（SNV）等预处理方法，可以有效消除光谱中的散射和基线漂移等干扰；运用偏最小二乘法（PLS）、主成分回归（PCR）等化学计量学方法，可以建立更准确的定量分析模型，实现对发酵液中生物量、甘油、甲醇含量的准确测定。三、实验材料与方法3.1实验材料发酵菌株：选用酿酒酵母（Saccharomycescerevisiae）作为发酵实验菌株。酿酒酵母是发酵工业中最为常用的菌种之一，其具有生长迅速、发酵性能稳定等优点，在乙醇发酵、面包制作、葡萄酒酿造等领域有着广泛的应用。本实验所使用的酿酒酵母菌株购自专业微生物菌种保藏中心，确保其纯度和活性满足实验要求。在实验前，对菌株进行活化和扩培，将保藏的菌种接种到酵母浸出粉胨葡萄糖（YEPD）培养基中，在30℃、180r/min的条件下振荡培养24h，使菌种恢复活性并达到一定的菌体浓度。培养基：采用改良的液体培养基进行发酵实验。培养基主要成分包括：葡萄糖20g/L，作为碳源为微生物生长提供能量；酵母浸粉10g/L，提供氮源、维生素和生长因子等营养物质；蛋白胨10g/L，进一步补充氮源和氨基酸；硫酸镁0.5g/L，参与细胞内多种酶的激活和代谢过程；磷酸二氢钾1g/L，维持培养基的pH值稳定，并参与能量代谢等生理过程。在配制培养基时，使用去离子水溶解各成分，调节pH值至5.5，然后分装到三角瓶中，在121℃下高压灭菌20min，以杀灭杂菌，保证发酵实验的纯净性。标准品：甘油标准品选用纯度不低于99%的分析纯甘油，购自知名化学试剂公司。甲醇标准品同样选用分析纯甲醇，纯度达到99.5%以上。这些标准品用于绘制标准曲线以及对建立的定量分析模型进行验证和校准。在使用前，将甘油和甲醇标准品分别用去离子水稀释成不同浓度梯度的标准溶液，如甘油标准溶液浓度梯度设置为0.1g/L、0.5g/L、1.0g/L、2.0g/L、5.0g/L等，甲醇标准溶液浓度梯度设置为0.05g/L、0.1g/L、0.2g/L、0.5g/L、1.0g/L等，确保标准溶液浓度范围能够覆盖发酵液中可能出现的甘油和甲醇含量范围。其他材料：实验过程中还使用了去离子水，用于配制培养基、稀释标准品以及清洗实验器具等；此外，准备了若干规格的三角瓶、移液管、移液器、离心管等玻璃器皿和塑料耗材，用于发酵实验的样品处理和操作；同时，配备了无菌空气过滤器、蠕动泵等设备，用于向发酵体系中通入无菌空气以及进行发酵液的在线采样等操作。3.2实验仪器与设备近红外光谱仪：选用美国ThermoFisherScientific公司生产的AntarisII傅里叶变换近红外光谱仪。该仪器采用干涉调频技术，能够快速准确地获取光谱信息。其光谱范围覆盖10000-4000cm⁻¹（波长约1000-2500nm），可满足发酵液中生物量、甘油、甲醇等物质在近红外波段的特征吸收检测需求。仪器的分辨率为4cm⁻¹，能够清晰分辨出光谱中的细微特征峰，有助于提高分析的准确性。在波长准确性方面，该仪器的波长重复性小于0.05cm⁻¹，确保了不同时间、不同批次测量的光谱数据具有良好的一致性。吸光度准确性可达±0.005Abs，有效保证了测量结果的可靠性。该光谱仪配备了多种采样附件，适用于不同形态样品的光谱采集，能够满足本实验对发酵液光谱采集的多样化需求。发酵罐：采用瑞士InforsHT公司生产的Multifors2多功能发酵罐。该发酵罐的有效容积为5L，能够满足实验规模的发酵需求。具备精确的温度控制功能，温度控制范围为20-50℃，精度可达±0.1℃，能够为发酵过程提供稳定的温度环境，确保发酵菌株的正常生长和代谢。其pH值控制通过自动添加酸碱试剂实现，控制范围为2.0-12.0，精度为±0.02，能够维持发酵液的pH值在适宜的范围内，保证发酵过程的顺利进行。搅拌速度可在50-1500r/min之间调节，能够满足不同发酵阶段对溶氧和物质混合的要求，促进微生物与营养物质的充分接触，提高发酵效率。此外，该发酵罐还配备了溶氧电极、pH电极等多种传感器，能够实时监测发酵过程中的关键参数，并通过控制系统进行自动调节，保证发酵过程的稳定性和可重复性。样品池：使用光程为1mm的石英样品池，用于盛放发酵液样品进行近红外光谱采集。石英材质具有良好的光学性能，在近红外波段具有较高的透光率，能够减少光的吸收和散射损失，保证光谱采集的准确性。1mm的光程适用于发酵液中生物量、甘油、甲醇等物质的浓度检测范围，能够获得较为明显的光谱吸收信号，便于后续的分析和处理。样品池的尺寸和形状设计合理，能够与近红外光谱仪的样品架紧密配合，确保在光谱采集过程中样品池的位置稳定，避免因样品池晃动而导致的光谱信号波动。其他设备：还配备了德国Eppendorf公司的5810R型离心机，用于发酵液样品的离心分离，转速最高可达14000r/min，能够有效分离发酵液中的菌体和上清液，便于后续对生物量和代谢产物的分析；使用美国ThermoFisherScientific公司的NanoDrop2000超微量分光光度计，对发酵液中的蛋白质、核酸等生物大分子含量进行初步测定，为近红外光谱分析提供参考数据；采用上海亚荣生化仪器厂的旋转蒸发仪，对发酵液进行浓缩处理，以提高目标物质的浓度，增强光谱信号；此外，还准备了恒温培养箱、电子天平、移液器等常规实验设备，用于发酵菌株的培养、培养基的配制以及样品的准确移取等操作。3.3实验设计样品采集方案：在发酵过程中，设定多个关键时间点进行样品采集，以全面反映发酵进程。从发酵起始阶段开始，每2h采集一次样品，直至发酵结束，共采集15个时间点的样品。在每次采样时，使用无菌移液管从发酵罐中准确吸取10mL发酵液，迅速转移至无菌离心管中，确保样品不受外界污染。为保证实验结果的可靠性，每个时间点的样品均设置3个平行样，在相同条件下进行后续分析。例如，在第4h采集的3个平行样品，分别标记为4h-1、4h-2、4h-3，后续对这些平行样的分析结果取平均值，以减小实验误差。生物量测定对比实验：采用传统的干重法作为生物量测定的参考方法。将采集的发酵液样品在8000r/min的转速下离心10min，使菌体沉淀。倒掉上清液后，用去离子水反复冲洗菌体3次，以去除残留的培养基成分。然后将洗净的菌体转移至预先称重的干燥称量瓶中，放入105℃的烘箱中烘干至恒重。通过称量干燥后菌体和称量瓶的总质量，减去称量瓶的质量，得到菌体的干重，即为生物量。同时，使用近红外光谱仪对发酵液样品进行光谱采集，采用漫反射方式，将样品均匀涂抹在样品池表面，确保光谱采集的准确性。将采集到的光谱数据与干重法测定的生物量数据相结合，运用化学计量学方法建立生物量的定量分析模型。甘油含量测定对比实验：以高效液相色谱法（HPLC）作为甘油含量测定的标准方法。采用C18反相色谱柱，流动相为乙腈-水（体积比为70:30），流速为1.0mL/min，检测波长为210nm。将发酵液样品离心后，取上清液进行适当稀释，经0.22μm微孔滤膜过滤后注入高效液相色谱仪进行分析。根据标准甘油溶液的色谱峰面积和浓度绘制标准曲线，通过样品的色谱峰面积从标准曲线上计算出甘油的含量。在近红外光谱分析中，将发酵液样品直接注入光程为1mm的石英样品池中，采用透射方式采集光谱。通过对不同浓度甘油标准溶液的光谱采集和分析，建立甘油含量与近红外光谱之间的定量关系模型，并与HPLC法测定结果进行对比验证。甲醇含量测定对比实验：选用气相色谱法（GC）作为甲醇含量测定的基准方法。使用毛细管色谱柱，初始柱温为40℃，保持3min后以10℃/min的速率升温至150℃，保持5min。进样口温度为200℃，检测器温度为250℃，载气为氮气，分流比为10:1。将发酵液样品进行适当稀释后，取1μL注入气相色谱仪进行分析。通过外标法，根据甲醇标准溶液的色谱峰面积和浓度建立标准曲线，从而计算出样品中甲醇的含量。在近红外光谱检测中，利用透反射方式采集发酵液样品的光谱，通过对甲醇标准溶液光谱的分析，结合化学计量学算法建立甲醇含量的预测模型，并与气相色谱法的测定结果进行比较，评估模型的准确性和可靠性。3.4数据采集与预处理数据采集：使用美国ThermoFisherScientific公司生产的AntarisII傅里叶变换近红外光谱仪进行光谱采集。在采集发酵液样品的光谱时，分别采用透射、漫反射、透反射三种方式进行对比实验。透射方式下，将发酵液注入光程为1mm的石英样品池中，近红外光直接透过样品池和发酵液，探测器接收透过的光信号，该方式适用于发酵液中成分浓度相对较低且均匀，光吸收较弱的情况，能够较为直接地反映发酵液中物质的光谱信息。漫反射方式则是将发酵液均匀涂抹在样品池表面，近红外光照射到样品表面后，部分光被样品吸收，部分光发生漫反射，探测器接收漫反射光信号，这种方式对于发酵液中含有颗粒状物质或成分分布不均匀的情况较为适用，能够获取样品表面及浅层的光谱信息。透反射方式结合了透射和漫反射的特点，近红外光透过样品后，部分光被反射回来，探测器接收这部分反射光信号，适用于对发酵液中较深层物质的光谱检测，以及对样品光吸收和散射特性综合分析的情况。在每次光谱采集前，先对光谱仪进行预热30min，以确保仪器的稳定性。采集光谱时，扫描次数设置为32次，以提高光谱的信噪比，分辨率设定为4cm⁻¹，保证能够清晰分辨光谱中的细微特征。采集的光谱范围为10000-4000cm⁻¹（波长约1000-2500nm），涵盖了生物量、甘油、甲醇等物质在近红外波段的主要特征吸收区域。每个样品重复采集5次光谱数据，取平均值作为该样品的光谱数据，以减小测量误差。数据预处理：采集到的原始近红外光谱数据通常包含噪声、基线漂移等干扰因素，这些因素会影响光谱的质量和后续定量分析模型的准确性，因此需要进行预处理。平滑去噪：采用卷积平滑（Savitzky-Golay）算法对光谱数据进行平滑处理，以消除高频噪声。该算法通过对光谱数据进行局部多项式拟合，对每个数据点进行加权平均，从而达到平滑光谱的目的。在应用该算法时，窗口宽度选择为11个数据点，多项式阶数为2。窗口宽度决定了参与平滑计算的数据点数量，过宽的窗口可能会导致光谱特征的丢失，而过窄的窗口则无法有效去除噪声；多项式阶数则影响拟合的精度，合适的阶数能够在保证平滑效果的同时，保留光谱的主要特征。经过平滑处理后，光谱曲线变得更加平滑，噪声明显减少，提高了光谱的信噪比。基线校正：运用一阶导数（FirstOrderDerivative）和二阶导数处理（SecondOrderDerivative）相结合的方法进行基线校正。一阶导数能够突出光谱的变化趋势，有效消除基线漂移和背景干扰，增强光谱的特征信息；二阶导数则可以进一步提高分辨率，分离重叠峰，使光谱特征更加明显。对经过平滑处理的光谱数据进行一阶导数计算，得到光谱的一阶导数曲线，通过分析一阶导数曲线的变化，确定基线的位置和漂移程度；然后对一阶导数曲线进行二阶导数计算，进一步优化基线校正效果。经过基线校正后，光谱的基线更加平稳，消除了因仪器漂移、样品背景等因素导致的基线偏移，使得光谱数据更能准确地反映物质的特征吸收。标准正态变换（SNV）：针对漫反射光谱数据，采用标准正态变换方法消除固体颗粒大小、表面散射以及光程变化对光谱的影响。该方法通过计算每个光谱数据点与该光谱所有数据点平均值的差值，并除以该光谱的标准偏差，对光谱进行归一化处理。具体计算公式为：y_{ij}^{*}=\frac{y_{ij}-\overline{y_{i}}}{s_{i}}其中，y_{ij}^{*}是经过标准正态变换后的光谱数据，y_{ij}是原始光谱数据，\overline{y_{i}}是第i个光谱所有数据点的平均值，s_{i}是第i个光谱的标准偏差。经过标准正态变换后，不同样品之间的光谱差异更加明显，有利于后续的定量分析和模型建立。小波变换（WT）：使用小波变换对光谱数据进行进一步处理，以提取有效的光谱信息。小波变换能够将光谱信号分解成不同频率的子信号，通过对不同频率子信号的分析和处理，可以去除噪声、增强特征信号。具体操作时，选择合适的小波基函数（如Daubechies小波）和分解层数（如3层），对光谱数据进行小波分解。在分解后的子信号中，保留低频部分的主要信息，对高频部分进行阈值处理，去除其中的噪声成分；然后将处理后的子信号进行小波重构，得到经过小波变换处理后的光谱数据。经过小波变换处理后，光谱数据中的噪声得到了进一步抑制，同时保留了光谱的重要特征信息，提高了光谱数据的质量和稳定性。通过上述数据采集与预处理步骤，获得了高质量的近红外光谱数据，为后续基于化学计量学的定量分析模型建立奠定了坚实的基础。四、近红外水光谱组学测定生物量4.1生物量测定的传统方法与局限性在发酵过程中，生物量是衡量微生物生长和代谢活动的关键指标，其准确测定对于发酵过程的优化和控制至关重要。传统的生物量测定方法种类繁多，各有其特点和适用范围，但也普遍存在一些局限性。干重法是一种较为经典且常用的生物量测定方法。该方法的操作过程为：首先将发酵液样品进行离心处理，使微生物细胞沉淀下来，随后倒掉上清液，并用去离子水反复冲洗沉淀的菌体，以去除附着在菌体表面的培养基成分和其他杂质。接着，将洗净的菌体转移至预先称重的干燥称量瓶中，放入烘箱内，在105℃左右的温度下烘干至恒重。最后，通过称量干燥后菌体和称量瓶的总质量，再减去称量瓶的质量，即可得到菌体的干重，以此表示生物量。虽然干重法原理简单、结果直观，但其操作较为繁琐，需要耗费大量的时间用于样品的离心、洗涤和烘干等步骤，难以满足对发酵过程进行实时监测的需求。而且，该方法在洗涤菌体的过程中，可能会导致部分菌体的损失，从而影响测定结果的准确性；同时，对于一些含有较多水分或挥发性成分的样品，烘干过程中可能会因这些成分的挥发而导致测量误差增大。浊度法也是一种常见的生物量测定方法。其原理基于微生物细胞对光线的散射作用，当光线通过含有微生物的发酵液时，细胞会使光线发生散射，导致透过光的强度减弱。在一定的范围内，发酵液的浊度与其中微生物细胞的数量或生物量成正比关系。通过使用分光光度计等仪器测量发酵液在特定波长下的吸光度（通常在600nm左右），即可根据预先建立的吸光度与生物量的标准曲线，推算出发酵液中的生物量。浊度法操作相对简便、快速，能够在短时间内获得测量结果。然而，该方法容易受到多种因素的干扰，如发酵液中的培养基成分、代谢产物、气泡以及菌体的形态和聚集状态等。这些因素都可能导致浊度测量结果的不准确，从而影响生物量的测定精度。例如，发酵液中残留的未溶解固体颗粒或代谢产生的不溶性物质会增加浊度，使测量结果偏高；而当菌体发生聚集时，会改变光线的散射特性，导致测量结果出现偏差。此外，还有平板计数法用于生物量的测定。该方法将发酵液进行梯度稀释后，取适量稀释液涂布在固体培养基平板上，经过一定时间的培养，使单个微生物细胞生长繁殖形成肉眼可见的菌落。通过统计平板上的菌落数，并结合稀释倍数，就可以计算出发酵液中微生物的数量，进而估算生物量。平板计数法能够反映样品中活细胞的数量，对于一些需要关注微生物活性的发酵过程具有重要意义。但该方法的检测周期较长，一般需要培养24-48h甚至更长时间才能得到结果，无法及时反馈发酵过程中的生物量变化。而且，在稀释和涂布过程中，操作的准确性和均匀性对结果影响较大，容易引入误差；同时，该方法只能检测出能够在特定培养基上生长的微生物，对于一些难以培养或生长缓慢的微生物，可能会导致生物量的低估。综上所述，传统的生物量测定方法在准确性、时效性、操作简便性等方面存在一定的局限性，难以满足现代发酵工业对高效、实时、精准监测生物量的需求。因此，开发一种快速、准确、无损的生物量测定方法具有重要的现实意义，近红外水光谱组学技术的出现为解决这一问题提供了新的思路和途径。4.2近红外光谱与生物量的相关性分析为了深入探究近红外光谱与生物量之间的内在联系，本研究对采集到的发酵液近红外光谱数据与对应的生物量数据进行了详细的相关性分析。通过这种分析，旨在找出与生物量变化密切相关的近红外光谱特征，从而为后续建立准确的生物量定量分析模型提供关键依据。在相关性分析过程中，首先运用皮尔逊相关系数（PearsonCorrelationCoefficient）这一常用的统计指标，对光谱数据和生物量数据进行初步关联分析。皮尔逊相关系数能够衡量两个变量之间线性相关的程度，其取值范围在-1到1之间。当相关系数为1时，表示两个变量呈完全正相关；当相关系数为-1时，表示两个变量呈完全负相关；当相关系数为0时，则表示两个变量之间不存在线性相关关系。对不同发酵阶段的发酵液样品进行分析后发现，在近红外光谱的特定波段范围内，与生物量呈现出显著的相关性。例如，在波长约1100-1300nm的区域，相关系数达到了0.85以上，表明该波段的光谱信号与生物量之间存在较强的正相关关系。进一步分析发现，此波段主要对应着生物量中蛋白质和核酸等生物大分子中N-H键和C-H键的伸缩振动和弯曲振动的倍频和合频吸收。随着生物量的增加，这些生物大分子的含量也相应增加，从而导致该波段对近红外光的吸收增强，光谱信号与生物量之间呈现出明显的正相关趋势。在1650-1750nm的波长区间，与生物量的相关系数也较为显著，达到了0.78左右。这一波段主要反映了生物量中蛋白质的酰胺I带的吸收特征，该吸收带主要源于C=O键的伸缩振动与N-H键的弯曲振动的耦合。随着微生物的生长和生物量的积累，蛋白质含量的变化在这一波段的光谱中得到了明显体现，从而使得该波段光谱与生物量之间存在密切的相关性。除了皮尔逊相关系数分析外，还采用了互信息（MutualInformation）这一信息论指标来进一步挖掘光谱与生物量之间的非线性相关关系。互信息能够衡量两个变量之间的相互依赖程度，不仅适用于线性相关，对于非线性相关关系也具有良好的检测能力。通过计算发现，在近红外光谱的某些波段，虽然皮尔逊相关系数显示的线性相关性并不十分突出，但互信息分析表明这些波段与生物量之间存在着不可忽视的非线性相关关系。例如，在2000-2200nm的波段区域，互信息值相对较高，尽管皮尔逊相关系数仅为0.6左右，但这表明该波段的光谱信号与生物量之间存在着复杂的非线性关联。进一步研究发现，此波段可能与生物量中某些特殊代谢产物或细胞结构的变化有关，这些因素的变化会引起分子振动模式的改变，从而在该波段的近红外光谱中表现出与生物量的非线性相关性。基于上述相关性分析结果，筛选出了与生物量相关性较强的光谱波段，如1100-1300nm、1650-1750nm、2000-2200nm等波段。这些波段将作为后续建立生物量定量分析模型的关键输入变量，有助于提高模型的准确性和可靠性。通过深入研究这些波段的光谱特征与生物量之间的内在联系，能够更准确地利用近红外光谱技术实现对发酵过程中生物量的快速、准确测定，为发酵过程的优化控制提供有力的数据支持。4.3基于近红外水光谱组学的生物量测定模型建立在明确近红外光谱与生物量的相关性后，采用化学计量学方法建立生物量测定模型。偏最小二乘法（PLS）是一种常用的多元校正方法，在处理多变量数据时具有显著优势，尤其适用于近红外光谱这种存在多重共线性的数据。在本研究中，将预处理后的近红外光谱数据作为自变量，对应的生物量数据作为因变量，运用偏最小二乘法建立生物量测定模型。在建立偏最小二乘模型时，确定合适的主成分数是关键步骤之一。主成分数过少，模型可能无法充分提取光谱数据中的有效信息，导致欠拟合，使模型的预测能力不足；主成分数过多，则可能会引入噪声和无关信息，造成过拟合，降低模型的泛化能力。因此，通过交叉验证的方法来确定最佳主成分数。交叉验证是一种将数据集划分为多个子集，轮流使用其中一个子集作为验证集，其余子集作为训练集进行模型训练和验证的方法。在本研究中，采用五折交叉验证，即将数据集随机划分为五个大小相近的子集，每次选择其中一个子集作为验证集，其余四个子集作为训练集进行模型训练，然后用验证集对训练好的模型进行验证，计算模型的预测误差。通过多次重复上述过程，选择使平均预测误差最小的主成分数作为最佳主成分数。经过交叉验证计算，最终确定最佳主成分数为8，此时模型在训练集和验证集上均表现出较好的预测性能，能够有效地提取光谱数据与生物量之间的线性关系。除了偏最小二乘法，径向基神经网络（RBFNN）也是一种强大的非线性建模工具。它由输入层、隐含层和输出层组成，隐含层中的神经元采用径向基函数作为激活函数。径向基函数能够将输入数据映射到高维空间，从而增强模型对非线性关系的拟合能力。在建立基于径向基神经网络的生物量测定模型时，需要对隐含层节点数和径向基函数的宽度等参数进行优化。通过试错法和网格搜索法相结合的方式，对不同的参数组合进行测试。试错法是指先根据经验设定一组初始参数，然后逐步调整参数值，观察模型性能的变化，直到找到性能较好的参数组合；网格搜索法则是在一定的参数范围内，按照一定的步长对参数进行全面搜索，找到使模型性能最优的参数组合。经过对不同参数组合的测试，确定隐含层节点数为15，径向基函数的宽度为0.5时，模型对生物量的预测效果最佳。此时，模型能够准确地捕捉到近红外光谱与生物量之间复杂的非线性关系，提高了生物量测定的准确性。为了评估所建立模型的性能，采用决定系数（R²）、均方根误差（RMSE）和平均绝对误差（MAE）等指标进行验证与评估。决定系数（R²）用于衡量模型对数据的拟合优度，其值越接近1，表示模型对数据的拟合效果越好；均方根误差（RMSE）反映了模型预测值与真实值之间的偏差程度，其值越小，说明模型的预测误差越小；平均绝对误差（MAE）则是预测值与真实值之间绝对误差的平均值，同样，MAE值越小，表明模型的预测准确性越高。对于偏最小二乘模型，在验证集上的决定系数（R²）达到了0.85，均方根误差（RMSE）为0.25g/L，平均绝对误差（MAE）为0.18g/L。这表明偏最小二乘模型能够较好地拟合生物量与近红外光谱之间的线性关系，虽然存在一定的预测误差，但在可接受范围内，能够对发酵过程中的生物量进行初步预测。而径向基神经网络模型在验证集上表现更为出色，决定系数（R²）高达0.92，均方根误差（RMSE）降低至0.15g/L，平均绝对误差（MAE）为0.11g/L。相比偏最小二乘模型，径向基神经网络模型能够更准确地预测生物量，其对非线性关系的拟合能力使得模型能够更好地适应发酵过程中复杂的变化，为生物量的准确测定提供了更可靠的方法。4.4模型的应用与验证为了全面评估基于近红外水光谱组学建立的生物量测定模型的实际应用价值，将其应用于实际发酵过程，并与传统的生物量测定方法进行对比验证。在实际发酵实验中，选取了具有代表性的发酵体系，采用与前期实验相同的发酵菌株和培养基，在发酵罐中进行发酵。在整个发酵过程中，利用近红外光谱仪实时采集发酵液的光谱数据，然后将采集到的光谱数据输入到已经建立并优化好的生物量测定模型中，通过模型计算得出不同发酵时间点的生物量预测值。同时，按照实验设计中所述的传统干重法，对每个时间点的发酵液样品进行生物量测定。在干重法测定过程中，严格控制实验条件，确保操作的准确性和一致性，以获得可靠的生物量实际值。将模型预测的生物量结果与干重法测定的实际生物量数据进行对比分析，绘制出生物量随发酵时间的变化曲线，如图XX所示。从图中可以直观地看出，基于近红外水光谱组学模型预测的生物量变化趋势与干重法测定的实际生物量变化趋势基本一致。在发酵前期，微生物处于生长对数期，生物量快速增加，模型预测值和实际值都呈现出明显的上升趋势；随着发酵的进行，进入稳定期后，生物量增长逐渐趋于平缓，模型预测值也能较好地反映这一变化。进一步通过计算决定系数（R²）、均方根误差（RMSE）和平均绝对误差（MAE）等指标来量化评估模型的预测准确性。在本次实际发酵验证实验中，模型预测值与干重法测定值之间的决定系数（R²）达到了0.90，表明模型能够解释90%的生物量变化信息，拟合效果良好；均方根误差（RMSE）为0.20g/L，平均绝对误差（MAE）为0.14g/L。这说明模型预测值与实际值之间的偏差较小，在实际发酵过程中能够较为准确地预测生物量。为了更全面地验证模型的可靠性，还对不同批次的发酵实验进行了重复验证。在多次重复实验中，模型的预测性能保持相对稳定，决定系数（R²）均在0.85以上，均方根误差（RMSE）和平均绝对误差（MAE）也都维持在较低水平。这充分表明基于近红外水光谱组学建立的生物量测定模型具有良好的稳定性和可靠性，能够在实际发酵过程中准确、稳定地预测生物量，为发酵过程的优化控制提供有力的数据支持。例如，在某一批次的发酵实验中，通过模型预测生物量及时调整了发酵条件，使发酵产物的产量提高了15%，有效证明了该模型在实际应用中的有效性和实用性。五、近红外水光谱组学测定甘油含量5.1甘油在发酵过程中的作用及含量测定意义甘油，化学名为丙三醇（C_3H_8O_3），是一种无色、无臭、味甜的黏稠液体，在发酵过程中扮演着举足轻重的角色。在许多发酵体系中，甘油作为重要的代谢产物或底物参与微生物的生长与代谢活动。从代谢途径角度来看，在某些微生物发酵过程中，甘油是碳水化合物代谢的中间产物。例如在酿酒酵母发酵生产乙醇时，当发酵环境中的氧气供应不足时，酵母细胞会通过糖酵解途径将葡萄糖转化为丙酮酸，丙酮酸进一步代谢生成乙醇和二氧化碳。然而，在这个过程中，部分葡萄糖会通过磷酸二羟丙酮转化为甘油。这是因为在低氧条件下，细胞需要通过生成甘油来维持细胞内的氧化还原平衡，防止因代谢过程中产生过多的还原力（如NADH）而导致细胞代谢紊乱。此外，甘油的合成还与细胞的渗透压调节密切相关。当发酵液中的渗透压发生变化时，微生物细胞会通过调节甘油的合成和积累来维持细胞内的渗透压平衡，保证细胞的正常生理功能。比如在高糖浓度的发酵培养基中，微生物细胞会合成并积累更多的甘油，以应对外界高渗透压环境，防止细胞失水。甘油在发酵产物品质方面也具有重要影响。在葡萄酒酿造过程中，甘油是酵母酒精发酵的主要副产物之一，其含量在4-15g/L。适量的甘油能够显著提升葡萄酒的品质，它赋予葡萄酒甜味，使口感更加圆润，增加了口感的复杂性。正常发酵所产葡萄酒中甘油与乙醇的比值（甘酒比）应处于6%-10%，这个比值可以作为判断葡萄酒品质的重要依据之一。如果甘酒比过高，可能表明葡萄酒中添加了额外的甘油；而甘酒比过低，则可能意味着添加了乙醇或甘油被不良微生物分解。在食品发酵行业，如酸奶发酵中，甘油的存在有助于改善酸奶的质地和口感，增加其保湿性，延长产品的货架期。准确测定发酵过程中甘油的含量具有至关重要的意义。在发酵过程控制方面，甘油含量的变化可以反映发酵进程和微生物的代谢状态。通过实时监测甘油含量，能够及时发现发酵过程中的异常情况，如微生物生长受到抑制、代谢途径发生改变等，从而及时调整发酵条件，如温度、pH值、溶氧等，保证发酵过程的顺利进行。在生物柴油生产的发酵过程中，甘油是主要的副产物之一，其含量直接影响生物柴油的使用性能和产品品质。精确测定甘油含量，有助于优化发酵工艺，提高生物柴油的纯度和质量，降低生产成本。在药物发酵领域，甘油作为某些药物合成的前体物质，其含量的准确控制对于保证药物的产量和质量至关重要。例如在某些抗生素发酵过程中，甘油作为碳源参与抗生素的合成，准确掌握甘油含量，能够合理调整发酵配方和工艺参数，提高抗生素的发酵单位和纯度。此外，甘油含量的测定对于研究发酵机制、开发新的发酵工艺以及筛选优良的发酵菌株也具有重要的参考价值。通过对不同发酵条件下甘油含量的分析，可以深入了解微生物的代谢规律和调控机制，为进一步优化发酵过程提供理论依据。同时，准确测定甘油含量还可以作为筛选优良发酵菌株的重要指标之一，有助于选育出能够高效利用底物、产生高浓度甘油或特定代谢产物的优良菌株。5.2近红外光谱测定甘油含量的实验结果与分析在本实验中，对不同发酵时间点的发酵液样品进行了近红外光谱采集，同时采用高效液相色谱法（HPLC）测定了相应样品中的甘油含量，以建立近红外光谱与甘油含量之间的定量关系。图1展示了不同甘油含量的发酵液样品的近红外光谱图。从图中可以看出，在近红外波段1000-2500nm范围内，随着甘油含量的变化，光谱呈现出明显的特征变化。在1150-1250nm波段，光谱吸收强度随着甘油含量的增加而增强，这主要是由于甘油分子中C-H键的伸缩振动和弯曲振动的倍频和合频吸收所致。甘油分子中含有多个C-H键，这些化学键在近红外区域会产生特定的吸收峰，并且吸收强度与甘油含量呈正相关。在1650-1750nm波段，也能观察到与甘油含量相关的光谱变化，该波段主要对应着甘油分子中C=O键的伸缩振动与C-H键的弯曲振动的耦合吸收。随着甘油含量的增加，C=O键和C-H键的振动吸收增强，导致该波段的光谱吸收强度增大。为了进一步探究近红外光谱与甘油含量之间的定量关系，运用偏最小二乘法（PLS）建立了甘油含量的预测模型。在建模过程中，对光谱数据进行了预处理，包括卷积平滑（Savitzky-Golay）、一阶导数（FirstOrderDerivative）和标准正态变换（SNV）等，以提高光谱数据的质量和模型的准确性。通过交叉验证的方法确定了最佳主成分数为6，此时模型在训练集和验证集上均表现出较好的性能。模型建立后，对验证集样品进行了预测，并将预测结果与HPLC测定值进行对比，结果如表1所示。从表中数据可以看出，模型预测值与HPLC测定值之间具有较高的相关性，决定系数（R²）达到了0.90，表明模型能够解释90%的甘油含量变化信息。均方根误差（RMSE）为0.15g/L，平均绝对误差（MAE）为0.11g/L，说明模型预测值与真实值之间的偏差较小，能够较为准确地预测发酵液中的甘油含量。为了直观地展示模型的预测效果，绘制了模型预测值与HPLC测定值的散点图，如图2所示。从图中可以看出，数据点基本分布在对角线附近，说明模型预测值与HPLC测定值具有良好的一致性，模型能够准确地预测发酵液中的甘油含量。综上所述，基于近红外水光谱组学建立的甘油含量预测模型具有较高的准确性和可靠性，能够有效地用于发酵过程中甘油含量的测定。通过分析近红外光谱与甘油含量之间的关系，找到了与甘油含量密切相关的光谱特征波段，为模型的建立提供了有力的依据。该模型的建立为发酵过程的优化控制提供了一种快速、准确的甘油含量检测方法，具有重要的实际应用价值。5.3甘油含量测定模型的构建与优化为了实现对发酵过程中甘油含量的准确测定，本研究基于近红外水光谱组学技术，运用多种化学计量学方法构建甘油含量测定模型，并对模型进行了深入的优化。在模型构建过程中，选用偏最小二乘法（PLS）和支持向量机（SVM）两种方法。偏最小二乘法通过提取光谱数据中的主成分，建立光谱与甘油含量之间的线性回归模型，能够有效地处理多变量数据中的多重共线性问题。支持向量机则是一种基于统计学习理论的机器学习方法，它通过寻找一个最优分类超平面，将不同类别的数据点分开，对于非线性问题具有良好的处理能力。在本研究中，将甘油含量作为类别标签，利用支持向量机建立光谱与甘油含量之间的非线性关系模型。为了确定偏最小二乘模型的最佳主成分数，采用留一交叉验证（Leave-One-OutCross-Validation，LOOCV）的方法。留一交叉验证是将数据集中的一个样本作为验证集，其余样本作为训练集进行模型训练和验证，重复该过程直到每个样本都被作为验证集一次。通过计算不同主成分数下模型的均方根误差（RMSE），选择使RMSE最小的主成分数作为最佳主成分数。经过计算，确定偏最小二乘模型的最佳主成分数为7，此时模型在训练集和验证集上均表现出较好的性能，RMSE分别为0.12g/L和0.15g/L。对于支持向量机模型，核函数的选择和参数的优化是关键。常用的核函数有线性核函数、多项式核函数、径向基核函数（RBF）等。通过对比实验发现，径向基核函数在本研究中表现最佳。采用网格搜索法对径向基核函数的参数γ和惩罚参数C进行优化。网格搜索法是在一定的参数范围内，按照一定的步长对参数进行全面搜索，找到使模型性能最优的参数组合。在搜索过程中，设置γ的取值范围为[0.01,100]，C的取值范围为[0.1,100]，步长均为0.1。经过计算，确定γ=10，C=10时，支持向量机模型的性能最佳，此时模型在验证集上的RMSE为0.10g/L，比偏最小二乘模型的RMSE更低，说明支持向量机模型在处理近红外光谱与甘油含量之间的非线性关系时具有更好的效果。除了优化模型参数，还对光谱预处理方法进行了改进。在原有卷积平滑（Savitzky-Golay）、一阶导数（FirstOrderDerivative）和标准正态变换（SNV）的基础上，引入了多元散射校正（MSC）方法。多元散射校正能够有效消除样品颗粒大小、表面散射等因素对光谱的影响，进一步提高光谱数据的质量。经过多元散射校正处理后，模型的性能得到了进一步提升。对于支持向量机模型，在加入多元散射校正后，验证集上的RMSE降低至0.08g/L，决定系数（R²）提高到0.93，说明改进后的光谱预处理方法能够更好地提取光谱中的有效信息，提高模型的准确性和可靠性。为了进一步提高模型的泛化能力，采用了样本扩充的方法。在原有样本的基础上，通过添加不同发酵条件下的样品，如改变发酵温度、pH值、搅拌速度等，增加样本的多样性。经过样本扩充后，模型在不同发酵条件下的预测性能均得到了提高，验证集上的RMSE在不同条件下均保持在0.10g/L以下，R²均大于0.90，说明样本扩充能够使模型学习到更广泛的数据特征，增强模型的泛化能力，使其能够更好地适应实际发酵过程中的复杂变化。5.4与其他甘油含量测定方法的比较将近红外水光谱组学方法与传统甘油含量测定方法进行比较，有助于更全面地评估其在发酵过程检测中的优势与不足，为实际应用提供更科学的依据。高碘酸氧化法是一种较为常用的传统甘油含量测定方法。其原理基于高碘酸与甘油发生氧化还原反应，剩余高碘酸及反应生成的碘酸再与碘化钾反应生成碘，最后用硫代硫酸钠进行滴定，通过消耗的硫代硫酸钠的量来计算甘油的含量。虽然该方法原理清晰、操作相对简单，不需要昂贵的仪器设备，在一些实验室和工业生产中仍有应用。但该方法存在明显的局限性，其操作过程较为繁琐，需要进行多次溶液转移、反应和滴定操作，耗费时间长，且对操作人员的技能要求较高，滴定过程中容易引入误差。同时，该方法属于化学分析方法，需要使用多种化学试剂，会产生一定的化学废弃物，对环境造成一定压力。而且，该方法对样品有破坏性，无法实现对发酵过程中甘油含量的实时、在线监测。高效液相色谱法（HPLC）也是常用的甘油含量测定方法。它以液体为流动相，采用高压输液系统，将具有不同极性的单一溶剂或不同比例的混合溶剂、缓冲液等流动相泵入装有固定相的色谱柱，利用色谱柱对待测混合物先进行分离，然后再通过检测器进行检测，从而实现对试样的分析。该方法具有分离效率高、分析速度较快、灵敏度较高等优点，能够准确测定发酵液中甘油的含量，适用于不同含量规格甘油的检测。然而，高效液相色谱仪价格昂贵，仪器的购置和维护成本高，需要专业的操作人员进行操作和维护。在样品分析前，通常需要对发酵液样品进行复杂的预处理，如离心、过滤、调节pH值等，以满足仪器分析的要求，这增加了检测的时间和工作量。此外，高效液相色谱法也难以实现对发酵过程的实时监测，无法及时反馈甘油含量的动态变化。近红外水光谱组学方法与之相比，具有明显的优势。近红外水光谱组学方法分析速度快，一般可在1min内完成检测，能够快速获取发酵液中甘油含量的信息，为及时调整发酵工艺提供依据。该方法无需对样品进行复杂的预处理，可直接对发酵液进行检测，避免了样品前处理过程中可能引入的误差和样品损失。同时，它属于无损检测技术，不会对样品造成破坏，有利于后续对样品的进一步分析。在光纤探头的辅助下，近红外水光谱组学方法易于实现在线分析及监测，能够实时跟踪发酵过程中甘油含量的变化，为发酵过程的优化控制提供实时数据支持。然而，近红外水光谱组学方法也存在一定的不足，其检测准确性在一定程度上依赖于建立的模型质量，模型的建立需要大量的标准样品和实验数据，且模型的通用性较差，对于不同的发酵体系可能需要重新建立和优化模型。此外，近红外光谱仪的价格相对较高，虽然低于高效液相色谱仪，但仍会增加一定的检测成本。总体而言，近红外水光谱组学方法在发酵过程甘油含量测定中具有快速、无损、可在线监测等独特优势，尽管存在一些局限性，但随着技术的不断发展和完善，有望在发酵工业中得到更广泛的应用。六、近红外水光谱组学测定甲醇含量6.1甲醇在发酵过程中的产生与危害在发酵过程中，甲醇的产生机制较为复杂，主要与发酵原料和微生物代谢活动密切相关。许多发酵原料中含有果胶质，这是甲醇生成的重要前体物质。以酿酒发酵为例，葡萄、苹果等水果原料以及大麦、玉米等谷物原料的表皮通常富含果胶质。在发酵过程中，果胶质在果胶酶的作用下会发生水解反应，分解成果胶酸和甲醇。果胶酶一般由发酵微生物自身产生，不同的微生物产生果胶酶的能力有所差异，从而影响甲醇的生成量。接着，果胶酸在酿酒酵母等微生物的发酵作用下，进一步转化为甲醇和二氧化碳。除了原料中的果胶质，微生物代谢过程中的某些副反应也可能导致甲醇的产生。例如，在一些微生物的代谢途径中，当碳源代谢出现异常或者细胞内的氧化还原平衡失调时，可能会产生甲醇作为代谢副产物。此外，发酵条件如温度、pH值、氧气含量等对甲醇的生成也有显著影响。较高的发酵温度可能会加快果胶酶的活性，促进果胶质的分解，从而增加甲醇的生成量；而适宜的pH值和氧气含量则有助于维持微生物正常的代谢活动，减少甲醇的产生。甲醇对发酵产品和人体都具有不容忽视的危害。在发酵产品方面，甲醇的存在可能会影响产品的质量和风味。在酒类发酵中，过量的甲醇会使酒产生刺鼻的气味和辛辣的口感，严重影响酒的品质。而且，甲醇还可能与其他物质发生反应，改变发酵产品的化学组成和稳定性，降低产品的保质期。在葡萄酒酿造中，甲醇含量过高会导致葡萄酒在储存过程中出现浑浊、沉淀等现象，影响产品的外观和口感。从人体健康角度来看，甲醇具有明显的毒性。甲醇可以通过呼吸道、皮肤和消化道进入人体，对人体多个系统造成损害。甲醇对中枢神经系统的危害较大，进入人体后，甲醇会在肝脏中被代谢为甲醛和甲酸，这些代谢产物具有更强的毒性。甲醛和甲酸会影响神经细胞的正常功能，导致人体出现头晕、头痛、眩晕等症状，严重时可能引发昏迷、癫痫样发作，甚至危及生命。甲醇对视觉神经系统也有严重的损害作用。由于甲醇的代谢产物甲酸会在眼部组织中蓄积，抑制视网膜细胞的呼吸作用，导致视网膜细胞受损，从而引起视力模糊、视野缺损，严重时可导致双目失明。甲醇还会对代谢和消化系统产生不良影响，可能引发恶心、呕吐、腹痛等症状，干扰人体正常的代谢功能，导致代谢性酸中毒。长期接触甲醇还可能对皮肤、肝脏和肾脏等器官造成损伤。因此，在发酵过程中，严格控制甲醇的产生并准确测定其含量，对于保障发酵产品质量和人体健康具有至关重要的意义。6.2近红外光谱检测甲醇含量的原理与实验过程近红外光谱检测甲醇含量的原理基于甲醇分子的结构特征以及其在近红外波段的吸收特性。甲醇（CH_3OH）分子中含有C-H键和O-H键，这些化学键的振动在近红外区域会产生特定的吸收峰。C-H键的伸缩振动在近红外光谱中主要表现为多个倍频和合频吸收峰，其中在约1650-1750nm波段存在C-H键的二级倍频吸收峰，在2000-2200nm波段有C-H键的三级倍频吸收峰。O-H键的伸缩振动在近红外区也有明显的吸收，其一级倍频吸收峰位于约1450nm处，二级倍频吸收峰在约970nm处。这些吸收峰的位置和强度与甲醇分子的结构和化学环境密切相关，并且在一定范围内，吸收峰的强度与甲醇的含量成正比。根据朗伯-比尔定律，当近红外光通过含有甲醇的发酵液时，甲醇分子会吸收特定波长的光，导致光强度减弱，通过测量光强度的变化（即吸光度），就可以推算出发酵液中甲醇的含量。在实验过程中，首先进行标准溶液的配制。准确称取一定量的分析纯甲醇，用去离子水稀释成一系列不同浓度的标准溶液，浓度范围覆盖发酵液中可能出现的甲醇含量范围，例如设置浓度梯度为0.05g/L、0.1g/L、0.2g/L、0.5g/L、1.0g/L、2.0g/L等。将配制好的标准溶液转移至棕色容量瓶中，密封保存，避免甲醇挥发和溶液受到污染。采用美国ThermoFisherScientific公司生产的AntarisII傅里叶变换近红外光谱仪进行光谱采集。在采集光谱前，先对光谱仪进行预热30min，确保仪器达到稳定的工作状态。将标准溶液依次注入光程为1mm的石英样品池中，采用透反射方式采集近红外光谱。透反射方式能够同时获取样品的透射和反射信息，对于发酵液这种复杂体系，能够更全面地反映其中甲醇分子的光谱特征。采集光谱时，扫描次数设置为32次，以提高光谱的信噪比，减少噪声对光谱的干扰；分辨率设定为4cm⁻¹，保证能够清晰分辨光谱中的细微特征峰。采集的光谱范围为10000-4000cm⁻¹（波长约1000-2500nm），涵盖了甲醇在近红外波段的主要特征吸收区域。每个标准溶液重复采集5次光谱数据，取平均值作为该溶液的光谱数据，以减小测量误差。采集到的原始光谱数据包含噪声、基线漂移等干扰因素，需要进行预处理。采用卷积平滑（Savitzky-Golay）算法对光谱进行平滑去噪处理，窗口宽度选择为11个数据点，多项式阶数为2。该算法通过对光谱数据进行局部多项式拟合，能够有效地去除高频噪声，使光谱曲线更加平滑。运用一阶导数（FirstOrderDerivative）和二阶导数处理（SecondOrderDerivative）相结合的方法进行基线校正。一阶导数能够突出光谱的变化趋势，消除基线漂移和背景干扰；二阶导数则可以进一步提高分辨率，分离重叠峰，使光谱特征更加明显。对经过平滑处理的光谱数据进行一阶导数计算，再对一阶导数曲线进行二阶导数计算，从而实现准确的基线校正。针对透反射光谱数据，采用标准正态变换（SNV）方法消除样品光程变化、颗粒大小和表面散射等因素对光谱的影响。该方法通过计算每个光谱数据点与该光谱所有数据点平均值的差值，并除以该光谱的标准偏差，对光谱进行归一化处理，使得不同样品之间的光谱差异更加明显，有利于后续的定量分析。6.3甲醇含量测