Применение инфракрасной спектроскопии ближнего спектра для идентификации и количественного определения аминокислот в их кристаллической и солевой формах при приготовлении кормов для животных

Методы. Впервые разработана и представлена комплексная калибровочная модель для экспресс-определения основного вещества методом инфракрасной спектроскопии в ближней области (ИК) в кормовых аминокислотах, используемых в производстве комбикормов. Принцип исследования основан на уравнении Фурье для спектроскопии. В работе был применен метод Фурье в инфракрасной области (FTIR, FT-NIRS). Данные, полученные с помощью калибровочных моделей, были подтверждены с помощью высокоэффективной жидкостной хроматографии. 
Результаты. Прогнозы FT-NIR хорошо согласовались с данными хроматографии и имели значения прогностического отклонения (RPD) >1,3 во всех случаях. Полученные результаты указывают на то, что ИК-спектроскопия FT-NIR может быть использована в качестве простого и быстрого инструмента для контроля аминокислот. В ходе работы были получены экспериментальные подтверждения ранее известных фактов — возможность визуального разделения спектров не только фальсификатов аминокислот, но и возможность разделения по L- и DL-оптическим изомерам. В работе показано, что расхождения между значениями, полученными классическим методом «мокрой химии», и значениями, полученными по построенным калибровочным моделям, не выходят за пределы воспроизводимости арбитражных методов. Была использована прогностическая модель, основанная на элементах информационного потока с применением OPUS/QUANT2 программного пакета для многомерной калибровки и построения калибровочных моделей для аминокислот. Данный хемометрический анализ доказал принципиальную возможность определения аминокислот в продукте.
Показано, что использование информационных каналов открывает возможности для применения многих алгоритмов хемометрики, включая предобработку данных и построение прогностических моделей.

1. Selle P.H., Macelline S.P., Chrystal P.V., Liu S.Yu. The Impact of Digestive Dynamics on the Bioequivalence of Amino Acids in Broiler Chickens. Frontiers in Bioscience-Landmark. 2022; 27(4): 126. https://doi.org/10.31083/j.fbl2704126

2. Ji Yu., Hou Yu., Blachier F., Wu Z. Editorial: Amino acids in intestinal growth and health. Frontiers in Nutrition. 2023; 10: 1172548. https://doi.org/10.3389/fnut.2023.1172548

3. Wu G. Dietary requirements of synthesizable amino acids by animals: a paradigm shift in protein nutrition. Journal of Animal Science and Biotechnology. 2014; 5: 34. https://doi.org/10.1186/2049-1891-5-34

4. de Lange C.F.M., Pluske J., Gong J., Nyachoti C.M. Strategic use of feed ingredients and feed additives to stimulate gut health and development in young pigs. Livestock Science. 2010; 134(1‒3): 124‒134. https://doi.org/10.1016/j.livsci.2010.06.117

5. Hermann T. Industrial production of amino acids by coryneform bacteria. Journal of Biotechnology. 2003; 104(1‒3): 155‒172. https://doi.org/10.1016/s0168-1656(03)00149-4

6. Rosales A., Galicia L., Oviedo E., Islas C., Palacios-Rojas N. Near-Infrared Reflectance Spectroscopy (NIRS) for Protein, Tryptophan, and Lysine Evaluation in Quality Protein Maize (QPM) Breeding Programs. Journal of Agricultural and Food Chemistry. 2011; 59(20): 10781‒10786. https://doi.org/10.1021/jf201468x

7. Fontaine J., Schirmer B., Hörr J. Near-infrared reflectance spectroscopy (NIRS) enables the fast and accurate prediction of essential amino acid contents. The results for wheat, barley, corn, triticale, wheat bran, middlings, rice bran, and sorghum. Journal of Agricultural and Food Chemistry. 2002; 50(14): 3902‒3911. https://doi.org/10.1021/jf011637k

8. Fontaine J., Hörr J., Schirmer B. Near-Infrared Reflectance Spectroscopy Enables the Fast and Accurate Prediction of the Essential Amino Acid Contents in Soy, Rapeseed Meal, Sunflower Meal, Peas, Fishmeal, Meat Meal Products, and Poultry Meal. Journal of Agricultural and Food Chemistry. 2001; 49(1): 57‒66. https://doi.org/10.1021/jf000946s

9. Rännar S., Lindgren F., Geladi P., Wold S. A PLS kernel algorithm for data sets with many variables and fewer objects. Part 1: Theory and algorithm. Journal of Chemometrics. 1994; 8(2): 111‒125. https://doi.org/10.1002/CEM.1180080204

10. Kumaravelu C., Gopal A. A review on the applications of Near-Infrared spectrometer and Chemometrics for the agro-food processing industries. 2015 IEEE Technological Innovation in ICT for Agriculture and Rural Development (TIAR). 2015; 8–12. https://doi.org/10.1109/TIAR.2015.7358523

11. Westad F., Marini F. Validation of chemometric models — A tutorial. Analytica Chimica Acta. 2015; 893: 14–24. https://doi.org/10.1016/j.aca.2015.06.056