Мурманск, Мурманская область, Россия
Мурманск, Мурманская область, Россия
Мурманск, Мурманская область, Россия
Мурманск, Мурманская область, Россия
Мурманск, Мурманская область, Россия
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.
Рыба, спектральный анализ, ближняя инфракрасная область, таксонометрическая принадлежность, метод классификации, фальсификация
Введение
В России в настоящее время возникла проблема
фальсификации продукции. Причинами могут
быть рыночные условия развития общества, резкое
увеличение объема частного производства, а также
свободная торговля продовольственными товарами,
в том числе сырьем морского происхождения,
полуфабрикатами и готовыми рыбными продуктам.
Чаще всего продукцию из малоценного сырья
реализуют как продукцию высокого качества по
экономическим соображениям. Для обнаружения
подделки рыбной продукции применяют органо-
лептические методы оценки внешнего вида,
консистенции, вкуса и запаха, но эти методы не очень
надежны. В настоящее время арбитражным методом
является генетический анализ. Популяционные
исследования проводятся преимущественно генети-
ческими методами (микросателлитный, SNP-анализ,
аллозимный и др.). Видовая идентификация также
может быть осуществлена стандартными методами
(например, методом изоэлектрофокусирования
саркоплазматических белков). Большинство ме-
тодов являются весьма дорогостоящими и время-
затратными, требующими дорогого оборудования и
реактивов, а также специальных навыков работы.
Так как вопрос идентификации объектов
промысла по свойствам отдельных тканей является
чрезвычайно важным для современного промысла
и экологического мониторинга, а также для
установления фальсификации готовой продукции,
то использование для этой цели иных, кроме
генетического анализа, методов весьма актуально.
Спектроскопия в ближней инфракрасной (БИК)
области представляет собой современный инстру-
ментальный метод количественного и качествен-
ного анализа различных объектов [1–3]. Спектры
поглощения (а также отражения и рассеивания)
молекул являются уникальными для каждого
вещества. Интенсивность поглощения связана с
содержанием поглощающего компонента в иссле-
дуемом объекте [1].
Методом БИК-спектроскопии возможно обна-
ружить «химический фингерпринт» (химические
отпечатки пальцев) образцов посредством измерения
количества энергии поглощения в БИК области
биологических материалов на специфических длинах
волн. На поглощение влияет химическое строение
молекул организма, наличие и положение функциона-
льных групп О-H, N-H и C-H [4].
БИК-спектры могут служить источником
информации о структуре различных веществ –
витаминов, аминокислот, сложных эфиров, сахаров,
спиртов и других, поэтому широко используются
Received: December 18, 2019 6, Akademika Knipovicha Str., Murmansk, 183038, Russia
Accepted: March 03, 2020
*е-mail: nowitaly@yandex.ru
© V.Yu. Novikov, A.V. Baryshnikov, K.S. Rysakova, N.V. Shumskaya, O.R. Uzbekova, 2020
Abstract.
Introduction. Near-infrared (NIR) spectroscopy is a modern instrumental method for the quantitative and qualitative analysis
of various objects. The method for analyzing the NIR spectra of diffuse reflection was successfully used to identify plant and
animal species, drugs, etc. The issue of identifying objects of marine fishery is currently extremely important for modern fisheries,
environmental monitoring, and identifying counterfeit products. The research objective was to identify the fish taxa using the
discriminant analysis of reflection in the NIR region.
Study objects and methods. The research featured 25 dried and defatted muscle tissue samples taken from different species of marine
fish caught in the North Fishing Basin. The spectra were measured using a Fourier IR-spectrophotometer Shimadzu IRTracer-100
with a diffuse reflection measuring instrument. Measurements were carried out in the range from 700 to 7,000 cm–1. Mathematical
processing of the spectra was performed using the MagicPlot Pro program ver. 2.9 (Magicplot Systems, LLC), while the statistical
program IBM SPSS Statistics ver. 25 (IBM Corp., USA) was exploited to perform the linear discriminant analysis.
Results and discussion. The spectra of diffuse reflection of NIR radiation were measured for 25 samples of marine fish species of
different taxa caught in the North Fishing Basin. The range of 3,700 to 6,700 cm–1 was selected to assess the proximity of spectra in
linear discriminant analysis. In this range, the team identified 19 spectral peaks, which made a significant contribution to canonical
discriminatory functions. The resulting canonical discriminatory functions made it possible to divide the objects into eight nonoverlapping
groups corresponding to each biological group of the fish. The analysis was based on a comparison of Mahalanobis
distance between the group centroids and the NIR spectra of each studied fish species. The minimum Mahalanobis distance between
the nearest groups was statistically significant.
Conclusion. The research proved the possibility of taxonomic identification of marine fish based on measuring the spectral
characteristics of their muscle tissue proteins in the range of 3,700 to 6,700 cm–1 of near-infrared region and classification by linear
discriminant analysis.
Keywords. Fish, spectra analysis, near infrared region, classification method, taxon affiliation, falsification
For citation: Novikov VYu, Baryshnikov AV, Rysakova KS, Shumskaya NV, Uzbekova OR. Identification of Marine Fish Taxa
by Linear Discriminant Analysis of Reflection Spectra in the Near-Infrared Region. Food Processing: Techniques and Technology.
2020;50(1):159–166. (In Russ.). DOI: https://doi.org/10.21603/2074-9414-2020-1-159-166.
161
Новиков В. Ю. [и др.] Техника и технология пищевых производств. 2020. Т. 50. № 1 С. 159–166
для идентификации. Например, этот метод при-
меняют для идентификации коммерческих сортов
пакетированного чая и географического происхо-
ждения вин [5, 6]. Большое распространение получили
ИК-спектрофотометры с Фурье преобразованием,
которые при работе используют все частоты
излучения источника одновременно. Это позволяет
повысить информативность метода, обеспечить
существенно большую чувствительность и экспрес-
сность анализа по сравнению с классическими
ИК-спектрофотометрами.
Эффективность метода БИК-спектроскопии как
простого и недорогого метода для классификации
различия веществ по химическому строению была
доказана многочисленными исследованиями, а также
продемонстрирована для медицины и фармакологии,
почвоведения, ландшафтной экологии, биотех-
нологии, сельского хозяйства и пищевой промышлен-
ности [4, 7–13].
Анализ научных публикаций показал, что метод
анализа БИК-спектров диффузионного отражения
успешно использовался для идентификации
лекарственных препаратов, плодов (яблок), растений
и древесины, насекомых, таких как муравьи, термиты,
двукрылые, жуки-долгоносики, некоторых животных,
мяса сельскохозяйственных животных [14–24].
Информация, касающаяся видовой идентификации
рыб данным методом, является отрывочной.
Существует несколько аргументов использования
БИК-спектроскопии для исследования рыб. Во-
первых, одновременно можно анализировать мно-
жество компонентов с помощью единого спектра.
Во-вторых, проведение данного анализа довольно
дешево и не требует сложной пробоподготовки и
дорогостоящих реактивов. В-третьих, продолжи-
тельность анализа составляет менее суток.
В-четвертых, технически сам анализ не очень сложен
и не требует особых навыков.
Цель исследования – идентификация таксонов
рыб с применением дискриминантного анализа
спектров отражения в БИК области.
Для достижения данной цели решались сле-
дующие задачи:
1) выбор объектов, относящихся к разным таксонам;
2) получение БИК-спектров диффузионного отра-
жения и их математическая обработка для пред-
ставления в виде матрицы, которая пригодна для
дискриминантного анализа;
3) проведение дискриминантного анализа БИК-спе-
ктров отражения белков рыб, принадлежащих разным
таксонам.
Объекты и методы исследования
В качестве объектов исследования использовали
25 видов рыб из 8 отрядов, обитающих в Северном
рыбопромысловом бассейне: пинагор (Cyclopterus
lumpus), ликод сетчатый (Lycodes reticulatus),
коттункул Томсона (Cottunculus thomsonii), менек
(Brosme brosme), путассу северная (Micromesistius
poutassou), пикша (Melanogrammus aeglefinus),
тресочка Эсмарка ( Trisopterus esmarkii), налим
северный морской (Ciliata septentrionalis),
лиманда (Limanda limanda), окунь золотистый
(Sebastes marinus), окунь морской гигантский
(Stereolepis gigas), окунь морской клюворылый
(Sebastes mentella), окунь синеротый ( Helicolenus
dactylopterus), исландский шедоф ( Schedophilus
medusophagus), хаулиод ( Chauliodus sloani),
европейская химера (Chimaera monstrosa), аргентина
(Argentina sphyraena), скат звездчатый (Raja radiata),
акула черная (Dalatias licha), акула большая черная
(Etmopterus princeps), акула полярная (Somniosus
microcephalus), акула длиннорылая (Rhizoprionodon
terraenovae), акула белоглазая длинноносая
(Centroselachus crepidater), чёрная собачья акула
Фабрициуса (Centroscyllium fabricii), гладкоголов
Агассица ( Alepocephalus agassizii). Отбор проб
проводили в Баренцевом и Карском морях и в
Северо-Восточной Атлантике в рейсах на научно-
исследовательских судах Полярного филиала
ФГБНУ «ВНИРО» («ПИНРО» им. Н. М. Книповича)
в 2014–2018 гг.
Подготовка проб осуществлялась в лаборатории
технологии переработки водных биоресурсов
ПИНРО. Образцы мышечной ткани измельчали на
мясорубке с диаметром отверстий 3 мм. Затем их
обезвоживали высушиванием при 105 °С и удаляли
липиды экстракцией диэтиловым эфиром в аппарате
Сокслета. Высушенные и обезжиренные образцы
измельчали на шаровой мельнице Pulverisette 7
(FRITSCH GmbH, Германия) в стаканах из нержа-
веющей стали при 500 об/мин в течение 10 мин.
Содержание белков и минеральных веществ в
мышечной ткани объектов определяли стандартными
методами1.
Спектры диффузионного отражения для
подготовленных образцов получали с использова-
нием ИК-спектрофотометра IRTracer-100 (Shimadzu,
Япония) с приставкой для измерения диффузионного
отражения DRS-8000A. Измерения проводили в
диапазоне от 700 до 7000 см–1. Кратность измерения
одного образца составляла от 3 до 5 повторов.
Обработку спектров и построения графиков
осуществляли в программах Excel ( Microsoft, США)
и MagicPlot Pro ver. 2.9.0.0 (Magicplot Systems, LLC,
Россия).
Многомерный дискриминантный анализ резуль-
татов, расчет расстояния Махаланобиса и построение
графиков распределения проводили с помощью
статистической программы IBM SPSS Statistics
ver. 25 (IBM Corp., США). Каноническая корреляция
составила 0,999.
1 ГОСТ 7636-85. Рыба, морские млекопитающие, морские
беспозвоночные и продукты их переработки. Методы анализа. –
М. : Стандартинформ, 2010. – 90 с.
162
Novikov V.Yu. et al. Food Processing: Techniques and Technology, 2020, vol. 50, no. 1, pp. 159–166
Результаты и их обсуждение
Подготовленные образцы мышечной ткани п осле
высушивания и обезжиривания содержали белки и
минеральные вещества (зола).
Для образцов каждого исследуемого вида было
определено содержание минеральных веществ и
белка. Массовая доля золы в обезжиренном сухом
образце составила менее 9 %.
С целью исключения возможного влияния
различного содержания минеральных веществ в
образцах в начале исследований была проведена
статистическая обработка данных химического
состава, которая не выявила корреляцию массовой
доли золы и белков с видовой или отрядной
принадлежностью исследованных рыб.
Для белков подготовленных образцов были
измерены спектры диффузионного отражения в
области, которая визуально показала существенные
различия в интенсивности пиков отражения для
разных видов рыб.
Спектры отражения были преобразованы в
спектры поглощения. На рисунке 1 приведен пример
массива экспериментальных спектров, которые были
использованы для последующей математической
и статистической обработки. Полученные спектры
представляют сложную комбинацию нескольких
пиков, которые отличаются интенсивностью и
соотношением высоты пиков для различных рыб.
В результате дискриминантного анализа были
выявлены основные волновые числа в БИК-спектре
белков, которые связаны с видовой принадлежностью
морских рыб.
Из 28 пиков, выбранных на исследуемом
диапазоне БИК-спектра после разложения спектра на
составляющие гауссианы, были выбраны 19 пиков.
Они вносили главный вклад в значения дискрими-
нантных функций и обеспечивали получение
максимального разделения рыб по классам,
соответствующим биологическим отрядам. На
рисунке 2 представлены БИК-спектры мышечных
белков пинагора и акулы полярной как предста-
вителей разных отрядов.
Спектры поглощения были математически
обработаны в программе MagicPlot. Для каждого
спектра была вручную проведена базовая линия с
использованием кубической сплайн-функции. После
вычитания базовой линии из спектра поглощения A
был получен спектр поглощения B, представляющий
сумму индивидуальных и перекрывающихся пиков
(на рисунке 3 приведен пример обработки спектра
белков мышечной ткани пинагора). Полученный
спектр был разложен на составляющие пики,
используя распределение Гаусса (рис. 3, кривые 1–14).
Каждый пик характеризовался волновым числом и
высотой (величиной поглощения).
По полученным данным была составлена
матрица, в которой столбцы соответствовали
номерам пиков, а строки – отрядам исследованных
рыб. Все исследуемые рыбы были разделены на
классификационные группы по их принадлежности к
отрядам:
– скорпенообразные ( Scorpaeniformes): пинагор,
ликод, коттункул;
– корюшкообразные ( Osmeriformes): гладкоголов
Агассиса;
– трескообразные ( Gadiformes): менек, путассу
северная, пикша, тресочка Эсмарка, налим северный
морской;
– камбалообразные (Pleuronectiformes): лиманда;
Рисунок 1. Пример массива необработанных спектров БИК
поглощения образцов исследуемых видов рыб
Figure 1. Example of an array of unprocessed absorption spectra
of NIR absorption of the fish samples
1 – белки пинагора, 2 – белки акулы полярной
Peak 01–19 – пики, используемые в дискриминантном анализе
Рисунок 2. Положение пиков поглощения, участвующих
в дискриминантном анализе БИК-спектров
Figure 2. Absorption peaks involved in the discriminant analysis
of the NIR spectra
0,6
0,8
1
1,2
3700 4200 4700 5200 5700 6200 6700
Поглощение, ед. опт. пл.
Волновое число, см1
0
0,2
0,4
0,6
0,8
1
0,000
0,005
0,010
0,015
0,020
0,025
0,030
3700 4200 4700 5200 5700 6200
Поглощение, ед. опт. пл.
Поглощение, ед. опт. пл.
Волновое число, см1
1
B
A
14
13
12
11
10
8 9
7
6
5
4
3
2
B
0,7
0,8
0,9
1
1,1
3700 4200 4700 5200 5700 6200 6700
Поглощение, ед. опт. пл.
Волновое число, см1
1
2
Peak 01 3860
Peak 02 3870
Peak 03 3895
Peak 04 3924
Peak 05 3950
Peak 06 3980
Peak 07 4053
Peak 08 4290
Peak 09 4355
Peak 10 4420
Peak 11 4462
Peak 12 4557
Peak 13 4627
Peak 14 4857
Peak 15 5344
Peak 16 5403
Peak 17 5422
Peak 18 5490
Peak 19 5723
0,6
0,8
1
1,2
3700 4200 4700 5200 5700 6200 6700
Поглощение, ед. опт. пл.
Волновое число, см1
0
0,2
0,4
0,6
0,8
1
0,000
0,005
0,010
0,015
0,020
0,025
0,030
3700 4200 4700 5200 5700 6200
Поглощение, ед. опт. пл.
Поглощение, ед. опт. пл.
Волновое число, см1
1
B
A
14
13
12
11
10
8 9
7
6
5
4
3
2
B
0,7
0,8
0,9
1
1,1
3700 4200 4700 5200 5700 6200 6700
Поглощение, ед. опт. пл.
Волновое число, см1
1
2
Peak 01 3860
Peak 02 3870
Peak 03 3895
Peak 04 3924
Peak 05 3950
Peak 06 3980
Peak 07 4053
Peak 08 4290
Peak 09 4355
Peak 10 4420
Peak 11 4462
Peak 12 4557
Peak 13 4627
Peak 14 4857
Peak 15 5344
Peak 16 5403
Peak 17 5422
Peak 18 5490
Peak 19 5723
0,6
0,8
1
1,2
3700 4200 4700 5200 5700 6200 6700
Поглощение, ед. опт. пл.
Волновое число, см1
0
0,2
0,4
0,6
0,8
1
0,000
0,005
0,010
0,015
0,020
0,025
0,030
3700 4200 4700 5200 5700 6200
Поглощение, ед. опт. пл.
Поглощение, ед. опт. пл.
Волновое число, см1
1
B
A
14
13
12
11
10
8 9
7
6
5
4
3
2
B
0,7
0,8
0,9
1
1,1
3700 4200 4700 5200 5700 6200 6700
Поглощение, ед. опт. пл.
Волновое число, см1
1
2
Peak 01 3860
Peak 02 3870
Peak 03 3895
Peak 04 3924
Peak 05 3950
Peak 06 3980
Peak 07 4053
Peak 08 4290
Peak 09 4355
Peak 10 4420
Peak 11 4462
Peak 12 4557
Peak 13 4627
Peak 14 4857
Peak 15 5344
Peak 16 5403
Peak 17 5422
Peak 18 5490
Peak 19 5723
0
0,2
0,000
0,005
0,010
3700 4200 4700 5200 5700 6200
Поглощение, Поглощение, Волновое число, см1
10
7
2
0,7
0,8
0,9
1
1,1
3700 4200 4700 5200 5700 6200 6700
Поглощение, ед. опт. пл.
Волновое число, см1
1
2
Peak 01 3860
Peak 02 3870
Peak 03 3895
Peak 04 3924
Peak 05 3950
Peak 06 3980
Peak 07 4053
Peak 08 4290
Peak 09 4355
Peak 10 4420
Peak 11 4462
Peak 12 4557
Peak 13 4627
Peak 14 4857
Peak 15 5344
Peak 16 5403
Peak 17 5422
Peak 18 5490
Peak 19 5723
163
Новиков В. Ю. [и др.] Техника и технология пищевых производств. 2020. Т. 50. № 1 С. 159–166
– окунеобразные (Perciformes): окунь золотистый,
окунь морской гигантский, окунь морской клю-
ворылый, окунь синеротый, шедоф;
– стомиевые (Stomiidae): хаулиод;
– хрящевые ( Chondrichthyes): химера, звездчатый
скат, акула черная, большая черная акула, акула
полярная, акула длиннорылая, акула белоглазая
длинноносая, акула фабрициуса;
– сельдеобразные (Clupeiformes): аргентина.
Для оценки близости спектров рассчитывали
расстояние Махаланобиса БИК-спектров каждого
исследуемого вида рыб от аналогичных спектров
остальных рыб. Полученные канонические дискри-
минантные функции 1 и 2 позволили разделить все
объекты по выбранным группам (рис. 4). На рисунке 4
представлены неперекрывающиеся группы, отве-
чающие каждому отряду рыб.
Примененный подход к обработке данных
позволил получить практически неперекрывающиеся
кластеры, в каждый из которых попали значения,
соответствующие только одному отряду иссле-
дованных рыб. Различие между группами считается
достоверным, если расстояние Махаланобиса
превышает значение критерия Фишера (F) при
уровне значимости P ( P = 0,05). Минимальное
расстояние Махаланобиса между ближайшими
кластерами составило 7,27 (кластеры 1 и 3, F = 2,86)
и 7,94 (кластеры 2 и 5, F = 3,88), т. е является
статистически значимым. Результат классификации
показал, что классифицированы правильно 100,0 %
исходных и 96,6 % перекрестно проверенных сгруп-
пированных наблюдений.
Таким образом, проведенные исследования
доказали возможность применения БИК-анализа для
идентификации рыб по образцам их мышечной ткани
до отдельных отрядов.
Исследование структуры БИК-спектров (напри-
мер, в области волновых чисел 5000–5500 см–1)
показало наличие дополнительных пиков, которые
могут использоваться для более детальной
классификации рыб по группам, соответствующим
семействам и даже видам рыб. В этом случае
необходимо изучение организмов, ограниченных
одним отрядом или семейством.
Выводы
Проведены измерения спектров диффузионного
отражения БИК-излучения для 25 образцов морских
видов рыб Северного бассейна. Подтверждена
возможность идентификации рыб до отряда на
основе измерения спектральных характеристик
белков в ИК диапазоне, соответствующей ближней
области (от 3700 до 6700 см–1) и статистической
обработки полученных спектров методом линейного
дискриминантного анализа. Таким образом,
метод спектроскопии в ближней инфракрасной
области может быть использован для обнаружения
фальсификатов готовой продукции аквакультуры и
рыбного промысла.
Критерии авторства
В. Ю. Новиков руководил проектом. А. В. Ба-
рышников, К. С. Рысакова, Н. В. Шумская,
О. Р. Узбекова принимали участие в эксперимента-
льных исследованиях.
А – исходный спектр поглощения
В – спектр после вычитания базовой линии
1–14 – пики, рассчитанные по функции распределения Гаусса
Рисунок 3. Разложение БИК-спектра поглощения образца
мышечной ткани пинагора на составляющие гауссианы
Figure 3. Decomposition of the NIR absorption spectrum of a pinagor
muscle tissue sample into constituent Gaussians Рисунок 4. Канонические дискриминантные функции
(номера групп соответствуют номерам выбранных
отрядов рыб)
Figure 4. Canonical discriminant functions (group numbers
correspond to numbers of the selected fish orders)
0,6
0,8
3700 4200 4700 5200 5700 6200 6700
Поглощение, Волновое число, см1
0
0,2
0,4
0,6
0,8
1
0,000
0,005
0,010
0,015
0,020
0,025
0,030
3700 4200 4700 5200 5700 6200
Поглощение, ед. опт. пл.
Поглощение, ед. опт. пл.
Волновое число, см1
1
B
A
14
13
12
11
10
8 9
7
6
5
4
3
2
B
0,7
0,8
0,9
1
1,1
3700 4200 4700 5200 5700 6200 6700
Поглощение, ед. опт. пл.
Волновое число, см1
1
2
Peak 01 3860
Peak 02 3870
Peak 03 3895
Peak 04 3924
Peak 05 3950
Peak 06 3980
Peak 07 4053
Peak 08 4290
Peak 09 4355
Peak 10 4420
Peak 11 4462
Peak 12 4557
Peak 13 4627
Peak 14 4857
Peak 15 5344
Peak 16 5403
Peak 17 5422
Peak 18 5490
Peak 19 5723
164
Novikov V.Yu. et al. Food Processing: Techniques and Technology, 2020, vol. 50, no. 1, pp. 159–166
Конфликт интересов
Авторы заявляют, что конфликта интересов нет.
Contribution
V.Yu. Novikov supervised the project. A.V. Baryshnikov,
K.S. Rysakova, N.V. Shumskaya, and
O.R. Uzbekova performed the experimental part of the
research.
Conflict of interest
The authors declare that there is no conflict of interest
regarding the publication of this article.
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.
