Аннотация

Введение. Спектроскопия в ближней инфракрасной (БИК) области представляет собой современный инструментальный метод количественного и качественного анализа различных объектов. Метод анализа БИК-спектров диффузионного отражения успешно использовался для идентификации, например, различных растений, животных и лекарственных препаратов. Вопрос идентификации объектов морского промысла в настоящее время является чрезвычайно важным для современного промысла, экологического мониторинга, а также для установления фальсификации готовой продукции. Цель нашего исследования – идентификация таксонов рыб с применением дискриминантного анализа спектров отражения в БИК области.
Объекты и методы исследования. В качестве объектов исследования использовали высушенные и обезжиренные образцы мышечной ткани 25 видов морских рыб Северного рыбопромыслового бассейна. Для измерения спектров в диапазоне от 700 до 7000 см–1 использовали ИК-Фурье-спектрофотометр Shimadzu IRTracer-100 с приставкой для измерения диффузионного отражения. Математическую обработку спектров проводили в программе MagicPlot Pro ver. 2.9 (Magicplot Systems, LLC), для линейного дискриминантного анализа полученных спектров использовали статистическую программу IBM SPSS Statistics ver. 25 (IBM Corp., США).
Результаты и их обсуждение. Проведены измерения спектров диффузионного отражения БИК-излучения для 25 образцов морских видов рыб Северного бассейна, относящихся к разным таксонам. Для оценки близости спектров при линейном дискриминантном анализе выбран диапазон от 3700 до 6700 см–1. В нем определено 19 спектральных пиков, вносящих значимый вклад в канонические дискриминатные функции, позволившие разделить все исследованные объекты на восемь неперекрывающихся групп, которые соответствуют каждому биологическому отряду рыб. Анализ проводили на основании сравнения расстояния Махаланобиса между центроидами групп и БИК-спектрами каждого исследуемого вида рыб. Минимальное расстояние Махаланобиса между ближайшими группами оказалось статистически значимым.
Выводы. Показана возможность таксономической идентификации морских рыб до биологического отряда на основе измерения спектральных характеристик белков их мышечной ткани в ближней инфракрасной области в диапазоне от 3700 до 6700 см–1 и классификации методом линейного дискриминантного анализа исследованных объектов.

Ключевые слова

Рыба, спектральный анализ, ближняя инфракрасная область, таксонометрическая принадлежность, метод классификации, фальсификация

СПИСОК ЛИТЕРАТУРЫ

1. Крищенко, В. П. Ближняя инфракрасная спектроскопия / В. П. Крищенко. – М. : Интерагротех, 1997. – 640 с.
2. Franca, A. S. Spectroscopic methods in food analysis / A. S. Franca, L. M. L. Nollet. – Boca Raton : CRC Press, 2017. – 664 p.
3. Burns, D. A. Handbook of near-infrared analysis / D. A. Burns, E. W. Ciurczak. – Boca Raton : CRC Press, 2008. – 836 p.
4. Grassi, S. Advances in NIR spectroscopy applied to process analytical technology in food industries / S. Grassi, C. Alamprese // Current Opinion in Food Science. – 2018. – Vol. 22. – P. 17–21. DOI: https://doi.org/10.1016/j.cofs.2017.12.008.
5. The quality control of tea by near-infrared reflectance (NIR) spectroscopy and chemometrics / M.-Z. Zhu, B. Wen, H. Wu [et al.] // Journal of Spectroscopy. – 2019. DOI: https://doi.org/10.1155/2019/8129648.
6. Geographical origin traceability of Cabernet Sauvignon wines based on Infrared fingerprint technology combined with chemometrics / X.-Z. Hu, S.-Q. Liu, X.-H. Li [et al.] // Scientific Reports. – 2019. – Vol. 9. DOI: https://doi.org/10.1038/s41598-019-44521-8.
7. Ecological applications of near infrared reflectance spectroscopy – a tool for rapid, cost-effective prediction of the composition of plant and animal tissues and aspects of animal performance / W. J. Foley, A. Mcllwee, I. Lawler [et al.] // Oecologia. – 1998. – Vol. 116, № 3. – P. 293–305. DOI: https://doi.org/10.1007/s004420050591.
8. Near Infrared Spectroscopy technology for prediction of chemical composition of natural fresh pastures / S. Parrini, A. Acciaioli, O. Franci [et al.] // Journal of Applied Animal Research. – 2019. – Vol. 47, № 1. – P. 514–520. DOI: https://doi.org/10.1080/09712119.2019.1675669.
9. Ciurczak, E. W. Pharmaceutical and medical applications of near-infrared spectroscopy / E. W. Ciurczak, B. Igne. – Boca Raton : CRC Press, 2019. – 172 p.
10. Reich, G. Near-infrared spectroscopy and imaging: basic principles and pharmaceutical applications / G. Reich // Advanced Drug Delivery Reviews. – 2005. – Vol. 57, № 8. – P. 1109–1143. DOI: https://doi.org/10.1016/j.addr.2005.01.020.
11. Application of near-infrared reflectance for quantitative assessment of soil properties / E. S. Mohamed, A. M. Saleh, A. B. Belal [et al.] // Egyptian Journal of Remote Sensing and Space Sciences. – 2018. – Vol. 21, № 1. – P. 1–14. DOI: https://doi.org/10.1016/j.ejrs.2017.02.001.
12. Counsell, K. R. Recent advances of near infrared spectroscopy in wildlife and ecology studies / K. R. Counsell, C. K. Vance // NIR News. – 2016. – Vol. 27, № 1. – P. 29–32. DOI: https://doi.org/10.1255/nirn.1581.
13. FT-NIR: a tool for rapid intracellular lipid quantification in oleaginous yeasts / M. Chmielarz, S. Sampels, J. Blomqvist [et al.] // Biotechnology for Biofuels. – 2019. – Vol. 12. DOI: https://doi.org/10.1186/s13068-019-1513-9.
14. Chen, H. Application of near-infrared spectroscopy and class-modeling to antibiotic authentication / H. Chen, Z. Lin, C. Tan // Analytical Biochemistry. – 2020. – Vol. 590. DOI: https://doi.org/10.1016/j.ab.2019.113514.
15. Classification of apple varieties using near infrared reflectance spectroscopy and fuzzy discriminant c-means clustering model / X. Wu, B. Wu, J. Sun [et al.] // Journal of Food Process Engineering. – 2016. – Vol. 40, № 2. DOI: https://doi.org/10.1111/jfpe.12355.
16. Rapid identification of wood species by near-infrared spatially resolved spectroscopy (NIR-SRS) based on hyperspectral imaging (HSI) / T. Ma, T. Inagaki, M. Ban [et al.] // Holzforschung. – 2019. – Vol. 73, № 4. – P. 323–330. DOI: https://doi.org/10.1515/hf-2018-0128.
17. Li, Y. Calibration of near infrared spectroscopy (NIRS) data of three Eucalyptus species with extractive contents determined by ASE extraction for rapid identification of species and high extractive contents / Y. Li, C. Altaner // Holzforschung. – 2019. – Vol. 73, № 6. – P. 537–545. DOI: https://doi.org/10.1515/hf-2018-0166.
18. A near-infrared spectroscopy routine for unambiguous identification of cryptic ant species / M.-C. Kinzner, H. C. Wagner, A. Peskoller [et al.] // PeerJ. – 2015. – Vol. 3. DOI: https://doi.org/10.7717/peerj.991.
19. Discrimination of termite species using near-infrared spectroscopy (NIRS) / R. A. de Azevedo, J. W. de Morais, C. Lang [et al.] // European Journal of Soil Biology. – 2019. – Vol. 93. DOI: https://doi.org/10.1016/j.ejsobi.2019.04.002.
20. A novel use of infra-red spectroscopy (NIRS and ATR-FTIR) coupled with variable selection algorithms for the identification of insect species (Diptera: Sarcophagidae) of medico-legal relevance / T. M. Barbosa, L. A. S. de Lima, M. C. D. dos Santos [et al.] // Acta Tropica. – 2018. – Vol. 185. – P. 1–12. DOI: https://doi.org/10.1016/j.actatropica.2018.04.025.
21. Identification of species and geographical strains of Sitophilus oryzae and Sitophilus zeamais using the visible/nearinfrared hyperspectral imaging technique / Y. Cao, C. J. Zhang, Q. S. Chen [et al.] // Pest Management Science. – 2015. – Vol. 71, № 8. – P. 1113–1121. DOI: https://doi.org/10.1002/ps.3893.
22. Riccioli, C. Identifying animal species in NIR hyperspectral images of processed animal proteins (PAPs): Comparison of multivariate techniques / C. Riccioli, D. Perez-Marin, A. Garrido-Varo // Chemometrics and Intelligent Laboratory Systems. – 2018. – Vol. 172. – P. 139–149. DOI: https://doi.org/10.1016/j.chemolab.2017.12.003.
23. Pieszczek, L. Identification of ground meat species using near-infrared spectroscopy and class modeling techniques – Aspects of optimization and validation using a one-class classification model / L. Pieszczek, H. Czarnik-Matusewicz, M. Daszykowski // Meat Science. – 2018. – Vol. 139. – P. 15–24. DOI: https://doi.org/10.1016/j.meatsci.2018.01.009.
24. Identification and quantification of turkey meat adulteration in fresh, frozen-thawed and cooked minced beef by FT-NIR spectroscopy and chemometrics / C. Alamprese, J. M. Amigo, E. Casiraghi [et al.] // Meat Science. – 2016. – Vol. 121. – P. 175–181. DOI: https://doi.org/10.1016/j.meatsci.2016.06.018.