От анализа состава молока к прогнозированию выхода сыра: MilkoScan FT3 и хемометрика

Как полный FT-MIR-спектр MilkoScan FT3 и targeted iPLS применяются для прогнозирования выхода сырного сгустка и удержания компонентов молока.

Научно-технический обзор

Современные инфракрасные анализаторы молока способны регистрировать значительно больше информации, чем используется для стандартного определения жира, белка, лактозы и сухих веществ. Спектральные данные содержат сведения о молекулярном составе продукта и могут служить основой для прогнозирования его технологических свойств.

Одним из перспективных направлений является оценка сыропригодности молока: потенциального выхода сыра, содержания сухих веществ в сырном сгустке и степени перехода отдельных компонентов молока в готовый продукт.

Такие характеристики традиционно определяются по результатам экспериментального сыроделия. Процедура требует значительного времени, лабораторного оборудования и выполнения нескольких последовательных технологических операций.

Применение высокоразрешающей инфракрасной спектроскопии в сочетании с хемометрическими методами позволяет перейти от непосредственного измерения каждого технологического показателя к его математическому прогнозированию по спектру исходного молока.

Возможности этого подхода были исследованы на анализаторе FOSS MilkoScan FT3 с использованием более тысячи образцов молока и сравнением различных методов обработки спектральных данных.

Исследование сыродельческих характеристик молока

Эксперимент проводился в лаборатории Университета Пармы (Италия) в рамках исследовательского проекта GENETOCHEESE, посвящённого изучению генетической обусловленности сыродельческих характеристик молока.

Для анализа было отобрано 1060 индивидуальных проб молока коров бурой швицкой породы из 53 хозяйств Северной Италии. В каждом хозяйстве исследовали молоко 20 животных.

Отбор проводился с февраля 2021 года по апрель 2022 года. Объём пробы составлял 1,5 литра. После отбора молоко охлаждали до 4 °C и доставляли в лабораторию, где анализ выполняли в течение 24 часов.

Каждый образец проходил две последовательные процедуры: инструментальное определение химического состава и экспериментальную переработку молока в сыр.

Для спектрального анализа использовали MilkoScan FT3. При экспериментальном сыроделии молоко нагревали до 35 °C, вносили заквасочную культуру и сычужный фермент, после чего выполняли формирование сгустка, разрезание, отделение сыворотки, дренирование и прессование.

Количество полученного сырного сгустка и содержание его основных компонентов определяли на основании массы образцов и материального баланса компонентов молока и сыворотки.

Таким образом, для каждого исходного образца формировался набор данных, включавший химический состав, инфракрасный спектр и экспериментально определённые сыродельческие характеристики.

После исключения шести спектральных выбросов, выявленных с использованием расстояния Махаланобиса, основной аналитический массив включал 1054 образца.

Какие показатели можно прогнозировать по спектру молока

В исследовании оценивались восемь сыродельческих характеристик, объединённых в две группы.

Выход сыра (Cheese Yield, CY) характеризует количество полученного сырного сгустка или содержащихся в нём компонентов относительно массы переработанного молока.

Рассматривались три показателя:

• CY Curd — выход свежего сырного сгустка;
• CY Solids — выход сухих веществ сырного сгустка;
• CY Water — количество воды, удержанной в сгустке.

Степень удержания компонентов (Nutrients Recovery, REC) характеризует долю отдельных компонентов исходного молока, перешедших в сырный сгусток.

Изучалось удержание жира, белка, лактозы, общих сухих веществ и энергии.

Например, степень удержания белка рассчитывалась как отношение количества белка в сырном сгустке к количеству белка, первоначально присутствовавшему в переработанном молоке, выраженное в процентах.

В отличие от стандартного определения массовой доли белка или жира, эти показатели зависят не только от химического состава сырья, но и от его технологического поведения при коагуляции и отделении сыворотки.

Именно поэтому прогнозирование сыродельческих характеристик представляет собой более сложную аналитическую задачу.

Спектральные возможности MilkoScan FT3

Для регистрации инфракрасных спектров использовалась технология Fourier Transform Infrared Spectroscopy (FTIR), реализованная в MilkoScan FT3.

Измерение выполнялось в режиме пропускания инфракрасного излучения через тонкий слой жидкого молока в проточной измерительной кювете.

Спектральные характеристики, использованные в исследовании:

Для сравнения, многие анализаторы предыдущих поколений формировали спектры, содержащие около 1060 отсчётов в сопоставимом диапазоне.

Увеличение количества регистрируемых точек позволяет более подробно описывать форму спектральных полос. Однако шаг регистрации 2 см⁻¹ не следует отождествлять с действительным оптическим разрешением измерительного прибора.

Более высокая плотность спектральных данных потенциально повышает информативность измерения, но одновременно увеличивает размерность математической задачи.

Соседние спектральные точки часто сильно коррелируют между собой, поскольку относятся к одной и той же полосе поглощения. Поэтому увеличение количества регистрируемых значений не обязательно улучшает точность прогнозирования.

Напротив, использование избыточных переменных может затруднять построение устойчивых математических моделей.

От полного спектра к информативным диапазонам

Спектр молока содержит несколько характерных областей поглощения, связанных с его основными компонентами.

Колебательные переходы молекулярных групп жиров, белков и углеводов формируют характерные спектральные полосы, позволяющие оценивать концентрации соответствующих веществ.

Однако значительная часть спектра связана с поглощением воды, которая составляет основную массу молока.

Водные полосы могут перекрывать более слабые сигналы отдельных компонентов, а также увеличивать вариабельность результатов при изменении температуры или условий измерения.

Для решения этой проблемы спектр разделили на шесть химически интерпретируемых диапазонов.

Вместо использования всего спектра исследователи проверяли различные комбинации этих областей, определяя наиболее информативные для каждого сыродельческого показателя.

Рисунок 1. Полные инфракрасные спектры молока и выделение информативных спектральных областей.

Оригинальный рисунок 1 — спектры MilkoScan FT3 и границы спектральных интервалов

На оригинальном рисунке показаны две формы представления спектральных данных: исходные спектры молока и выделенные области, связанные с водой, жиром, белком и лактозой.

Эта визуализация демонстрирует основной принцип метода: для определения конкретного технологического свойства необязательно использовать все зарегистрированные спектральные отсчёты.

Значительно важнее выделить те участки, в которых содержится информация, статистически связанная с исследуемым показателем.

Применение методов хемометрики

Для построения прогностических моделей использовалась регрессия методом частичных наименьших квадратов (Partial Least Squares, PLS).

PLS позволяет анализировать большое количество взаимосвязанных переменных и устанавливать зависимость между спектральными характеристиками и результатами лабораторных измерений.

Обычная PLS-модель может использовать полный спектр или заранее определённый непрерывный диапазон волновых чисел.

Однако такой подход не всегда обеспечивает оптимальные результаты. Сильная корреляция между соседними спектральными точками, наличие неинформативных областей и случайный шум способны снижать прогностическую способность модели.

В качестве альтернативы был применён метод Targeted Interval Partial Least Squares (Targeted iPLS) — интервальная регрессия с целенаправленным выбором спектральных областей.

Его отличие заключается в том, что математическая модель строится на специально выбранных участках спектра, соответствующих известным химическим компонентам молока.

При этом проверялись не только разные комбинации спектральных диапазонов, но и несколько вариантов математической предварительной обработки:

• Standard Normal Variate (SNV) — нормализация спектра;
• Multiplicative Scatter Correction (MSC) — коррекция мультипликативных и аддитивных спектральных искажений;
• первая и вторая производные спектральных данных;
• центрирование и масштабирование переменных.

На основе 63 комбинаций спектральных диапазонов и различных вариантов предварительной обработки были сформированы 1701 матрица предикторов.

Для каждой из восьми сыродельческих характеристик создавались и проверялись соответствующие регрессионные модели.

Качество прогнозов оценивалось методом повторной случайной кросс-валидации с десятью разделениями данных. При каждом разделении 80% наблюдений использовались для калибровки и 20% — для проверки.

Для сопоставления моделей применяли коэффициент детерминации R², среднеквадратичную ошибку прогнозирования RMSE и отношение стандартного отклонения исследуемого признака к ошибке прогнозирования (RPD).

Сравнение классической PLS и Targeted iPLS

Первоначально были построены модели с использованием широких спектральных областей и стандартных методов предварительной обработки.

Результаты оказались неудовлетворительными: для обычной PLS-регрессии значения R² при валидации были близки к нулю, а для части показателей принимали отрицательные значения.

Это указывает на то, что такие модели практически не обеспечивали достоверного прогнозирования сыродельческих характеристик на исследованной выборке.

Избирательное использование спектральных диапазонов существенно изменило результаты.

Для трёх показателей выхода сыра скорректированный коэффициент детерминации при валидации составил:

Сравнение обычной PLS и targeted iPLS

Наиболее высокая точность была достигнута при прогнозировании выхода сухих веществ.

Значение R² = 0,89 означает, что выбранная модель объясняла значительную долю вариации данного показателя в валидационных данных. RMSE составила 0,30 процентного пункта.

Для выхода свежего сгустка коэффициент детерминации составил 0,77, а ошибка прогнозирования — 0,89 процентного пункта.

Сложнее оказалось прогнозирование содержания удержанной воды. Этот показатель зависит не только от первоначального химического состава молока, но и от формирования белковой матрицы, интенсивности синерезиса и особенностей удаления сыворотки.

Тем не менее даже для этой характеристики Targeted iPLS значительно улучшил прогноз по сравнению с обычной регрессией на широком спектральном диапазоне.

Рисунок 2. Распределение точности прогнозирования для различных комбинаций спектральных областей и методов математической обработки.

Оригинальный рисунок 2 — распределения R² и RMSE для моделей Targeted iPLS

На оригинальном рисунке представлены распределения статистических показателей, полученных при переборе различных вариантов математической обработки.

Существенная ширина этих распределений показывает, что точность зависит от выбора спектральных диапазонов и параметров регрессионной модели. Лишь часть сочетаний обеспечивала высокое качество прогнозирования.

Прогнозирование удержания компонентов молока в сырном сгустке

Помимо выхода сыра, оценивалась возможность определения доли отдельных компонентов молока, сохраняющихся в сырном сгустке после отделения сыворотки.

Эти показатели представляют самостоятельный технологический интерес. Высокое удержание белка и жира увеличивает эффективность использования сырья и влияет на выход готовой продукции.

Для пяти изученных характеристик получены следующие результаты:

Качество прогнозирования сыродельческих показателей

Наибольшая прогностическая способность была установлена для удержания лактозы (R² = 0,86).

Несмотря на то что лактоза непосредственно не участвует в формировании казеиновой структуры сгустка, её концентрация и распределение между сгустком и сывороткой связаны с водоудерживающей способностью и процессами синерезиса.

Это позволяет использовать спектральные характеристики исходного молока для косвенной оценки технологических процессов, происходящих в ходе сыроделия.

Менее точными оказались прогнозы удержания жира. Данный показатель зависит не только от первоначального содержания жира в молоке, но и от физических процессов, сопровождающих формирование и разрезание сгустка, а также отделение сыворотки.

Потери жира могут существенно изменяться под влиянием технологических условий, которые не полностью отражаются в инфракрасном спектре исходного молока.

Поэтому прогностические модели не устраняют необходимость учитывать реальные параметры сыродельческого процесса.

Какие участки спектра оказались наиболее информативными

Одним из важных результатов стало установление различий между спектральными областями, необходимыми для прогнозирования отдельных характеристик.

Для оценки выхода сырного сгустка наиболее часто использовались диапазоны, связанные с белком, жиром и лактозой.

При анализе ста лучших моделей для каждого показателя область лактозы присутствовала во всех моделях выхода свежего сгустка и выхода сухих веществ.

Область белка выбиралась в 88% и 87% таких моделей соответственно.

Диапазон жира 1770–1720 см⁻¹ включался в 84% лучших моделей выхода свежего сгустка и во все лучшие модели выхода сухих веществ.

Напротив, водные спектральные области практически не использовались в моделях с наибольшей прогностической способностью.

Это подтверждает, что для анализа технологических характеристик молока использование всего зарегистрированного спектра не всегда является оптимальным.

Особое значение имеет зависимость выбора информативных диапазонов от определяемого показателя.

Спектральная область, полезная для прогнозирования выхода сухих веществ, может иметь меньшее значение при оценке удержания жира или воды.

Следовательно, построение универсальной математической модели для всех сыродельческих характеристик может быть менее эффективно, чем разработка специализированных моделей для отдельных параметров.

Точность прогнозирования и пределы применимости

Результаты исследования демонстрируют существенный потенциал хемометрической обработки спектров MilkoScan FT3, но требуют корректной интерпретации.

Прежде всего полученные коэффициенты детерминации относятся к экспериментальным прогностическим моделям, а не к паспортной точности определения химического состава молока.

В исследовании оценивалась связь между спектром молока и сыродельческими характеристиками, определёнными в условиях стандартизированной лабораторной переработки.

Проверка моделей выполнялась посредством случайного разделения наблюдений из одной экспериментальной совокупности. Независимая внешняя валидация на молоке других пород, в новых регионах или на промышленных сыродельных предприятиях не проводилась.

Кроме того, сыродельческие показатели рассчитывались на основе материального баланса, в котором состав молока и сыворотки также определялся с использованием MilkoScan FT3. Поэтому исследование нельзя рассматривать как независимую метрологическую проверку самого анализатора по всем измеряемым компонентам.

Значения RPD для отдельных показателей, прежде всего удержания жира и воды, оставались недостаточно высокими для уверенного применения моделей без дополнительной проверки в производственных условиях.

На достоверность прогнозирования также могут влиять порода животных, кормление, стадия лактации, сезон, особенности молочного белка, применяемые закваски и технологические параметры сыроделия.

Следовательно, использование разработанных моделей в реальном промышленном процессе требует расширения калибровочных наборов и подтверждения точности на независимых данных.

Практическое значение для молочной промышленности

Прогнозирование сыродельческих характеристик на основе спектров исходного молока открывает дополнительные возможности для лабораторного контроля и управления переработкой.

При наличии валидированных математических моделей анализатор может предоставлять информацию не только о массовой доле компонентов молока, но и об ожидаемых характеристиках его дальнейшей переработки.

Это потенциально позволяет оценивать технологическую ценность сырья до начала производства и учитывать различия между отдельными поставками молока.

Наиболее перспективными направлениями являются предварительная оценка потенциального выхода сыра, прогнозирование удержания сухих веществ и белка, сравнительный анализ качества сырья разных поставщиков и формирование баз данных для исследований сыропригодности молока.

Такая информация может использоваться при разработке более детализированных систем оценки качества сырья, в которых учитывается не только химический состав, но и технологический потенциал молока.

Дополнительное преимущество заключается в возможности использования спектральных данных, уже получаемых при стандартном анализе.

Это означает, что расширение набора рассчитываемых показателей потенциально может быть достигнуто преимущественно за счёт программных методов, без обязательного изменения физической измерительной системы.

Однако для практического внедрения необходимы специализированные калибровки, совместимые с конкретным прибором, исследуемой продукцией и условиями производства.

Заключение

Экспериментальное исследование, выполненное с использованием FOSS MilkoScan FT3, показало возможность прогнозирования сыродельческих характеристик молока на основе инфракрасных спектров и методов многомерного статистического анализа.

Использование 2050 спектральных точек обеспечило подробную регистрацию инфракрасного поглощения, однако прямое применение всего спектра не давало удовлетворительной точности.

Применение метода Targeted iPLS, основанного на выборе химически информативных диапазонов и оптимизации предварительной обработки спектров, позволило существенно повысить качество прогнозирования.

Для выхода свежего сырного сгустка скорректированный R² при валидации составил 0,77, для выхода сухих веществ — 0,89, а для удержания лактозы — 0,86.

Результаты показывают, что аналитические возможности современных FTIR-анализаторов определяются не только характеристиками оптической системы, но и эффективностью математической интерпретации получаемых данных.

Таким образом, MilkoScan FT3 представляет интерес как спектральная платформа для разработки дополнительных методов оценки технологических свойств молока. Перспективы применения таких моделей связаны с развитием цифрового контроля сырья и прогнозированием эффективности его переработки.

При этом переход от лабораторной прогностической модели к промышленному применению должен сопровождаться независимой валидацией, оценкой погрешности и проверкой устойчивости результатов при изменении состава молока и технологических условий.

Использованная литература

1. Molle A., Cipolat-Gotet C., Stocco G. Targeted iPLS for the prediction of cheese-making traits from individual milk spectra. Food Chemistry. 2026. Vol. 504. Article 148030. DOI: 10.1016/j.foodchem.2026.148030.
2. Molle A., Cipolat-Gotet C., Stocco G., Ferragina A., Berzaghi P., Summer A. The use of milk Fourier-transform infrared spectra for predicting cheesemaking traits in Grana Padano Protected Designation of Origin cheese. Journal of Dairy Science. 2024. Vol. 107. P. 1967–1979. DOI: 10.3168/jds.2023-23827.
3. ISO 9622:2013 / IDF 141:2013. Milk and liquid milk products — Guidelines for the application of mid-infrared spectrometry.