ВведениеВ России в настоящее время возникла проблемафальсификации продукции. Причинами могутбыть рыночные условия развития общества, резкоеувеличение объема частного производства, а такжесвободная торговля продовольственными товарами,в том числе сырьем морского происхождения,полуфабрикатами и готовыми рыбными продуктам.Чаще всего продукцию из малоценного сырьяреализуют как продукцию высокого качества поэкономическим соображениям. Для обнаруженияподделки рыбной продукции применяют органо-лептические методы оценки внешнего вида,консистенции, вкуса и запаха, но эти методы не оченьнадежны. В настоящее время арбитражным методомявляется генетический анализ. Популяционныеисследования проводятся преимущественно генети-ческими методами (микросателлитный, SNP-анализ,аллозимный и др.). Видовая идентификация такжеможет быть осуществлена стандартными методами(например, методом изоэлектрофокусированиясаркоплазматических белков). Большинство ме-тодов являются весьма дорогостоящими и время-затратными, требующими дорогого оборудования иреактивов, а также специальных навыков работы.Так как вопрос идентификации объектовпромысла по свойствам отдельных тканей являетсячрезвычайно важным для современного промыслаи экологического мониторинга, а также дляустановления фальсификации готовой продукции,то использование для этой цели иных, кромегенетического 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]. Спектрыпоглощения (а также отражения и рассеивания)молекул являются уникальными для каждоговещества. Интенсивность поглощения связана ссодержанием поглощающего компонента в иссле-дуемом объекте [1].Методом БИК-спектроскопии возможно обна-ружить «химический фингерпринт» (химическиеотпечатки пальцев) образцов посредством измеренияколичества энергии поглощения в БИК областибиологических материалов на специфических длинахволн. На поглощение влияет химическое строениемолекул организма, наличие и положение функциона-льных групп О-H, N-H и C-H [4].БИК-спектры могут служить источникоминформации о структуре различных веществ –витаминов, аминокислот, сложных эфиров, сахаров,спиртов и других, поэтому широко используютсяReceived: December 18, 2019 6, Akademika Knipovicha Str., Murmansk, 183038, RussiaAccepted: March 03, 2020*е-mail: nowitaly@yandex.ru© V.Yu. Novikov, A.V. Baryshnikov, K.S. Rysakova, N.V. Shumskaya, O.R. Uzbekova, 2020Abstract.Introduction. Near-infrared (NIR) spectroscopy is a modern instrumental method for the quantitative and qualitative analysisof various objects. The method for analyzing the NIR spectra of diffuse reflection was successfully used to identify plant andanimal 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 thediscriminant 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 marinefish caught in the North Fishing Basin. The spectra were measured using a Fourier IR-spectrophotometer Shimadzu IRTracer-100with a diffuse reflection measuring instrument. Measurements were carried out in the range from 700 to 7,000 cm–1. Mathematicalprocessing of the spectra was performed using the MagicPlot Pro program ver. 2.9 (Magicplot Systems, LLC), while the statisticalprogram 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 ofdifferent 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 inlinear discriminant analysis. In this range, the team identified 19 spectral peaks, which made a significant contribution to canonicaldiscriminatory functions. The resulting canonical discriminatory functions made it possible to divide the objects into eight nonoverlappinggroups corresponding to each biological group of the fish. The analysis was based on a comparison of Mahalanobisdistance between the group centroids and the NIR spectra of each studied fish species. The minimum Mahalanobis distance betweenthe nearest groups was statistically significant.Conclusion. The research proved the possibility of taxonomic identification of marine fish based on measuring the spectralcharacteristics of their muscle tissue proteins in the range of 3,700 to 6,700 cm–1 of near-infrared region and classification by lineardiscriminant analysis.Keywords. Fish, spectra analysis, near infrared region, classification method, taxon affiliation, falsificationFor citation: Novikov VYu, Baryshnikov AV, Rysakova KS, Shumskaya NV, Uzbekova OR. Identification of Marine Fish Taxaby 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/10.21603/2074-9414-2020-1-159-166.161Новиков В. Ю. [и др.] Техника и технология пищевых производств. 2020. Т. 50. № 1 С. 159–166для идентификации. Например, этот метод при-меняют для идентификации коммерческих сортовпакетированного чая и географического происхо-ждения вин [5, 6]. Большое распространение получилиИК-спектрофотометры с Фурье преобразованием,которые при работе используют все частотыизлучения источника одновременно. Это позволяетповысить информативность метода, обеспечитьсущественно большую чувствительность и экспрес-сность анализа по сравнению с классическимиИК-спектрофотометрами.Эффективность метода БИК-спектроскопии какпростого и недорогого метода для классификацииразличия веществ по химическому строению быладоказана многочисленными исследованиями, а такжепродемонстрирована для медицины и фармакологии,почвоведения, ландшафтной экологии, биотех-нологии, сельского хозяйства и пищевой промышлен-ности [4, 7–13].Анализ научных публикаций показал, что методанализа БИК-спектров диффузионного отраженияуспешно использовался для идентификациилекарственных препаратов, плодов (яблок), растенийи древесины, насекомых, таких как муравьи, термиты,двукрылые, жуки-долгоносики, некоторых животных,мяса сельскохозяйственных животных [14–24].Информация, касающаяся видовой идентификациирыб данным методом, является отрывочной.Существует несколько аргументов использованияБИК-спектроскопии для исследования рыб. Во-первых, одновременно можно анализировать мно-жество компонентов с помощью единого спектра.Во-вторых, проведение данного анализа довольнодешево и не требует сложной пробоподготовки идорогостоящих реактивов. В-третьих, продолжи-тельность анализа составляет менее суток.В-четвертых, технически сам анализ не очень сложени не требует особых навыков.Цель исследования – идентификация таксоноврыб с применением дискриминантного анализаспектров 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 длядискриминантного анализа;3) проведение дискриминантного анализа БИК-спе-ктров отражения белков рыб, принадлежащих разнымтаксонам.Объекты и методы исследованияВ качестве объектов исследования использовали25 видов рыб из 8 отрядов, обитающих в Северномрыбопромысловом бассейне: пинагор (Cyclopteruslumpus), ликод сетчатый (Lycodes reticulatus),коттункул Томсона (Cottunculus thomsonii), менек(Brosme brosme), путассу северная (Micromesistiuspoutassou), пикша (Melanogrammus aeglefinus),тресочка Эсмарка ( Trisopterus esmarkii), налимсеверный морской (Ciliata septentrionalis),лиманда (Limanda limanda), окунь золотистый(Sebastes marinus), окунь морской гигантский(Stereolepis gigas), окунь морской клюворылый(Sebastes mentella), окунь синеротый ( Helicolenusdactylopterus), исландский шедоф ( Schedophilusmedusophagus), 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 (Somniosusmicrocephalus), акула длиннорылая (Rhizoprionodonterraenovae), акула белоглазая длинноносая(Centroselachus crepidater), чёрная собачья акулаФабрициуса (Centroscyllium fabricii), гладкоголовАгассица ( Alepocephalus agassizii). Отбор пробпроводили в Баренцевом и Карском морях и вСеверо-Восточной Атлантике в рейсах на научно-исследовательских судах Полярного филиалаФГБНУ «ВНИРО» («ПИНРО» им. Н. М. Книповича)в 2014–2018 гг.Подготовка проб осуществлялась в лабораториитехнологии переработки водных биоресурсовПИНРО. Образцы мышечной ткани измельчали намясорубке с диаметром отверстий 3 мм. Затем ихобезвоживали высушиванием при 105 °С и удалялилипиды экстракцией диэтиловым эфиром в аппаратеСокслета. Высушенные и обезжиренные образцыизмельчали 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 вмышечной ткани объектов определяли стандартнымиметодами1.Спектры диффузионного отражения дляподготовленных образцов получали с использова-нием ИК-спектрофотометра IRTracer-100 (Shimadzu,Япония) с приставкой для измерения диффузионногоотражения DRS-8000A. Измерения проводили вдиапазоне от 700 до 7000 см–1. Кратность измеренияодного образца составляла от 3 до 5 повторов.Обработку спектров и построения графиковосуществляли 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 построениеграфиков распределения проводили с помощьюстатистической программы IBM SPSS Statisticsver. 25 (IBM Corp., США). Каноническая корреляциясоставила 0,999.1 ГОСТ 7636-85. Рыба, морские млекопитающие, морскиебеспозвоночные и продукты их переработки. Методы анализа. –М. : Стандартинформ, 2010. – 90 с.162Novikov V.Yu. et al. Food Processing: Techniques and Technology, 2020, vol. 50, no. 1, pp. 159–166Результаты и их обсуждениеПодготовленные образцы мышечной ткани п ослевысушивания и обезжиривания содержали белки иминеральные вещества (зола).Для образцов каждого исследуемого вида былоопределено содержание минеральных веществ ибелка. Массовая доля золы в обезжиренном сухомобразце составила менее 9 %.С целью исключения возможного влиянияразличного содержания минеральных веществ вобразцах в начале исследований была проведенастатистическая обработка данных химическогосостава, которая не выявила корреляцию массовойдоли золы и белков с видовой или отряднойпринадлежностью исследованных рыб.Для белков подготовленных образцов былиизмерены спектры диффузионного отражения вобласти, которая визуально показала существенныеразличия в интенсивности пиков отражения дляразных видов рыб.Спектры отражения были преобразованы вспектры поглощения. На рисунке 1 приведен примермассива экспериментальных спектров, которые былииспользованы для последующей математическойи статистической обработки. Полученные спектрыпредставляют сложную комбинацию несколькихпиков, которые отличаются интенсивностью исоотношением высоты пиков для различных рыб.В результате дискриминантного анализа быливыявлены основные волновые числа в БИК-спектребелков, которые связаны с видовой принадлежностьюморских рыб.Из 28 пиков, выбранных на исследуемомдиапазоне БИК-спектра после разложения спектра насоставляющие гауссианы, были выбраны 19 пиков.Они вносили главный вклад в значения дискрими-нантных функций и обеспечивали получениемаксимального разделения рыб по классам,соответствующим биологическим отрядам. Нарисунке 2 представлены БИК-спектры мышечныхбелков пинагора и акулы полярной как предста-вителей разных отрядов.Спектры поглощения были математическиобработаны в программе MagicPlot. Для каждогоспектра была вручную проведена базовая линия сиспользованием кубической сплайн-функции. Послевычитания базовой линии из спектра поглощения Aбыл получен спектр поглощения B, представляющийсумму индивидуальных и перекрывающихся пиков(на рисунке 3 приведен пример обработки спектрабелков мышечной ткани пинагора). Полученныйспектр был разложен на составляющие пики,используя распределение Гаусса (рис. 3, кривые 1–14).Каждый пик характеризовался волновым числом ивысотой (величиной поглощения).По полученным данным была составленаматрица, в которой столбцы соответствовалиномерам пиков, а строки – отрядам исследованныхрыб. Все исследуемые рыбы были разделены наклассификационные группы по их принадлежности котрядам:– скорпенообразные ( Scorpaeniformes): пинагор,ликод, коттункул;– корюшкообразные ( Osmeriformes): гладкоголовАгассиса;– трескообразные ( Gadiformes): менек, путассусеверная, пикша, тресочка Эсмарка, налим северныйморской;– камбалообразные (Pleuronectiformes): лиманда;Рисунок 1. Пример массива необработанных спектров БИКпоглощения образцов исследуемых видов рыбFigure 1. Example of an array of unprocessed absorption spectraof NIR absorption of the fish samples1 – белки пинагора, 2 – белки акулы полярнойPeak 01–19 – пики, используемые в дискриминантном анализеРисунок 2. Положение пиков поглощения, участвующихв дискриминантном анализе БИК-спектровFigure 2. Absorption peaks involved in the discriminant analysisof the NIR spectra0,60,811,23700 4200 4700 5200 5700 6200 6700Поглощение, ед. опт. пл.Волновое число, см100,20,40,60,810,0000,0050,0100,0150,0200,0250,0303700 4200 4700 5200 5700 6200Поглощение, ед. опт. пл.Поглощение, ед. опт. пл.Волновое число, см11BA14131211108 9765432B0,70,80,911,13700 4200 4700 5200 5700 6200 6700Поглощение, ед. опт. пл.Волновое число, см112Peak 01  3860Peak 02  3870Peak 03  3895Peak 04  3924Peak 05  3950Peak 06  3980Peak 07  4053Peak 08  4290Peak 09  4355Peak 10  4420Peak 11  4462Peak 12  4557Peak 13  4627Peak 14  4857Peak 15  5344Peak 16  5403Peak 17  5422Peak 18  5490Peak 19  57230,60,811,23700 4200 4700 5200 5700 6200 6700Поглощение, ед. опт. пл.Волновое число, см100,20,40,60,810,0000,0050,0100,0150,0200,0250,0303700 4200 4700 5200 5700 6200Поглощение, ед. опт. пл.Поглощение, ед. опт. пл.Волновое число, см11BA14131211108 9765432B0,70,80,911,13700 4200 4700 5200 5700 6200 6700Поглощение, ед. опт. пл.Волновое число, см112Peak 01  3860Peak 02  3870Peak 03  3895Peak 04  3924Peak 05  3950Peak 06  3980Peak 07  4053Peak 08  4290Peak 09  4355Peak 10  4420Peak 11  4462Peak 12  4557Peak 13  4627Peak 14  4857Peak 15  5344Peak 16  5403Peak 17  5422Peak 18  5490Peak 19  57230,60,811,23700 4200 4700 5200 5700 6200 6700Поглощение, ед. опт. пл.Волновое число, см100,20,40,60,810,0000,0050,0100,0150,0200,0250,0303700 4200 4700 5200 5700 6200Поглощение, ед. опт. пл.Поглощение, ед. опт. пл.Волновое число, см11BA14131211108 9765432B0,70,80,911,13700 4200 4700 5200 5700 6200 6700Поглощение, ед. опт. пл.Волновое число, см112Peak 01  3860Peak 02  3870Peak 03  3895Peak 04  3924Peak 05  3950Peak 06  3980Peak 07  4053Peak 08  4290Peak 09  4355Peak 10  4420Peak 11  4462Peak 12  4557Peak 13  4627Peak 14  4857Peak 15  5344Peak 16  5403Peak 17  5422Peak 18  5490Peak 19  572300,20,0000,0050,0103700 4200 4700 5200 5700 6200Поглощение, Поглощение, Волновое число, см110720,70,80,911,13700 4200 4700 5200 5700 6200 6700Поглощение, ед. опт. пл.Волновое число, см112Peak 01  3860Peak 02  3870Peak 03  3895Peak 04  3924Peak 05  3950Peak 06  3980Peak 07  4053Peak 08  4290Peak 09  4355Peak 10  4420Peak 11  4462Peak 12  4557Peak 13  4627Peak 14  4857Peak 15  5344Peak 16  5403Peak 17  5422Peak 18  5490Peak 19  5723163Новиков 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, звездчатыйскат, акула черная, большая черная акула, акулаполярная, акула длиннорылая, акула белоглазаядлинноносая, акула фабрициуса;– сельдеобразные (Clupeiformes): аргентина.Для оценки близости спектров рассчитывалирасстояние Махаланобиса БИК-спектров каждогоисследуемого вида рыб от аналогичных спектровостальных рыб. Полученные канонические дискри-минантные функции 1 и 2 позволили разделить всеобъекты по выбранным группам (рис. 4). На рисунке 4представлены неперекрывающиеся группы, отве-чающие каждому отряду рыб.Примененный подход к обработке данныхпозволил получить практически неперекрывающиесякластеры, в каждый из которых попали значения,соответствующие только одному отряду иссле-дованных рыб. Различие между группами считаетсядостоверным, если расстояние Махаланобисапревышает значение критерия Фишера (F) приуровне значимости P ( P = 0,05). Минимальноерасстояние Махаланобиса между ближайшимикластерами составило 7,27 (кластеры 1 и 3, F = 2,86)и 7,94 (кластеры 2 и 5, F = 3,88), т. е являетсястатистически значимым. Результат классификациипоказал, что классифицированы правильно 100,0 %исходных и 96,6 % перекрестно проверенных сгруп-пированных наблюдений.Таким образом, проведенные исследованиядоказали возможность применения БИК-анализа дляидентификации рыб по образцам их мышечной тканидо отдельных отрядов.Исследование структуры БИК-спектров (напри-мер, в области волновых чисел 5000–5500 см–1)показало наличие дополнительных пиков, которыемогут использоваться для более детальнойклассификации рыб по группам, соответствующимсемействам и даже видам рыб. В этом случаенеобходимо изучение организмов, ограниченныходним отрядом или семейством.ВыводыПроведены измерения спектров диффузионногоотражения БИК-излучения для 25 образцов морскихвидов рыб Северного бассейна. Подтвержденавозможность идентификации рыб до отряда наоснове измерения спектральных характеристикбелков в ИК диапазоне, соответствующей ближнейобласти (от 3700 до 6700 см–1) и статистическойобработки полученных спектров методом линейногодискриминантного анализа. Таким образом,метод спектроскопии в ближней инфракраснойобласти может быть использован для обнаруженияфальсификатов готовой продукции аквакультуры ирыбного промысла.Критерии авторстваВ. 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 поглощенияВ – спектр после вычитания базовой линии1–14 – пики, рассчитанные по функции распределения ГауссаРисунок 3. Разложение БИК-спектра поглощения образцамышечной ткани пинагора на составляющие гауссианыFigure 3. Decomposition of the NIR absorption spectrum of a pinagormuscle tissue sample into constituent Gaussians Рисунок 4. Канонические дискриминантные функции(номера групп соответствуют номерам выбранныхотрядов рыб)Figure 4. Canonical discriminant functions (group numberscorrespond to numbers of the selected fish orders)0,60,83700 4200 4700 5200 5700 6200 6700Поглощение, Волновое число, см100,20,40,60,810,0000,0050,0100,0150,0200,0250,0303700 4200 4700 5200 5700 6200Поглощение, ед. опт. пл.Поглощение, ед. опт. пл.Волновое число, см11BA14131211108 9765432B0,70,80,911,13700 4200 4700 5200 5700 6200 6700Поглощение, ед. опт. пл.Волновое число, см112Peak 01  3860Peak 02  3870Peak 03  3895Peak 04  3924Peak 05  3950Peak 06  3980Peak 07  4053Peak 08  4290Peak 09  4355Peak 10  4420Peak 11  4462Peak 12  4557Peak 13  4627Peak 14  4857Peak 15  5344Peak 16  5403Peak 17  5422Peak 18  5490Peak 19  5723164Novikov V.Yu. et al. Food Processing: Techniques and Technology, 2020, vol. 50, no. 1, pp. 159–166Конфликт интересовАвторы заявляют, что конфликта интересов нет.ContributionV.Yu. Novikov supervised the project. A.V. Baryshnikov,K.S. Rysakova, N.V. Shumskaya, andO.R. Uzbekova performed the experimental part of theresearch.Conflict of interestThe authors declare that there is no conflict of interestregarding the publication of this article.