中国水产科学研究院黄海所在高光谱成像技术评价活体鱼类肌肉品质方面取得新进展

中国水产科学研究院黄海水产研究所渔业资源分子生态学团队在高光谱成像技术评价海水养殖鱼类肌肉品质方面取得新进展，成果发表于《Food Chemistry: X》。该研究以我国重要海水养殖鱼类花鲈（Lateolabrax maculatus）为对象，利用高光谱成像技术结合机器学习算法，实现了活体花鲈肌肉多项质构参数的定量预测与可视化分析，为鱼类表型组学研究及优良种质筛选提供了全新工具。研究团队采集了来自广东珠海、福建福鼎、山东日照三个花鲈主产区的300尾活体花鲈，使用高光谱成像系统（波长范围400–1000 nm）获取其背部三种体表状态下的光谱数据：全鳞（SWS）状态、去鳞（SOS）状态，以及去鳞后逆鳞方向擦拭暴露表皮层的去鳞逆皮肤（RSOS）状态。这一创新性的实验设计有效消减了鳞片和皮肤对光谱信号的干扰，保障了光谱数据的准确性。为避免环境噪声对光谱数据的干扰，研究团队应用了Savitzky-Golay（S-G）平滑法、S-G结合标准正态变量变换（S-G+SNV）、S-G结合一阶导数（S-G+1st）、S-G结合二阶导数（S-G+2nd）以及去趋势法（detrend）等5种光谱预处理方法，并对比了偏最小二乘回归（PLSR）、最小二乘支持向量机回归（LS-SVR）、随机森林（RF）、卷积神经网络（CNN）和反向传播人工神经网络（BP-ANN）等5种机器学习算法的性能，分别构建了针对硬度、黏附性、弹性、黏聚性、胶黏性、咀嚼性和回复性等7项全质构测试（TPA）参数的最优预测模型，并生成了上述参数在鱼体上的可视化分布图谱。研究表明，不同体表状态的光谱曲线存在显著差异，其中RSOS状态的光谱信息最为丰富，与肌肉组织的光学特性关联更为直接。在7项TPA参数中，胶黏性的预测效果最佳，随机森林模型的预测集决定系数（R?P）达到0.923，性能偏差比（RPD）为3.597，平均绝对百分比误差（MAPE）为6.378%。胶黏性、咀嚼性和硬度等3项参数的成功预测表明高光谱技术可替代传统质构仪进行定量评价（RPD > 3.0且MAPE < 10%）；黏聚性和弹性可实现可靠的定性分析（R⟡> 0.85）。由最优模型生成的可视化图谱中，明显的颜色差异不仅证实了不同个体间TPA参数的区别，也揭示了同一条鱼不同部位肌肉质构表型的异质性。该研究成果表明，高光谱成像技术结合机器学习为评估活体花鲈肌肉品质提供了一种有效且无损的方法。该技术无需宰杀或破坏鱼体，适用于鱼类全生命周期的连续监测，可快速筛选具有优良质构特性的个体，加速花鲈分子标记辅助育种进程，同时也为海水养殖鱼类加工品的高值化开发提供了标准化、自动化的品质分级工具。