聚酮化合物(PKs)作为一大类次级代谢产物，有着重要的生物活性和潜在的应用价值。链霉菌具有合成多种聚酮化合物的潜力，但野生型菌株合成聚酮化合物的产量难以满足工业化生产的需求。贮藏脂质的降解能为聚酮化合物生物合成提供大量的酰基CoA前体，因此，控制好脂肪酸与聚酮化合物生物合成通量，有利于促进目标聚酮化合物的合成。本文综述了强化脂肪酸β-氧化途径提高聚酮化合物产量的研究进展，为利用β-氧化途径促进聚酮化合物生物合成提供了新的研究策略。

脂肪酸类相变材料(PCMs)在缓解建筑用能源危机上有着巨大的应用前景。本工作制备了月桂酸-肉豆蔻酸-硬脂酸(LA-MA-SA)的相变材料。以多孔网状膨胀石墨(EG)为热导率增强材料、硅藻土(DE)为定型材料，通过熔融浸渍法分别制备了含质量分数为2% EG、4% EG、6% EG、8% EG、10% EG的高热导率的LA-MA-SA/EG/DE定型复合相变材料，对定型复合相变材料进行微观结构分析和热物性测量。结果表明：LA-MA-SA与EG和DE为物理吸附过程且吸附效果良好。稳态法热导率测试发现，EG可以有效提高PCM的热导率，添加2%~10%的EG，热导率增强了29.7%~708.2%。通过泄漏测试发现，添加DE能够对复合物起到一定的定型作用，防止PCM的泄漏。对复合物进行100次DSC循环后，材料的相变温度和相变潜热均无明显变化。通过蓄/放热试验发现，LA-MA-SA/10% EG/10/% DE的石膏板在加热冷却过程中分别表现出良好的储、放热性能和较长的相对热舒适时间，较纯石膏板延长0.82 h。

生物体能够合成脂肪酸, 它们以不同链长、化学构型和功能存在于体内, 参与生物体合成代谢、能量代谢、信号传导等重要的生理活动。生物体能通过不同氧化途径分解和利用脂肪酸, 其中β-氧化是真核生物和原核生物中脂肪酸降解的主要途径。脂肪酸β-氧化机理在大肠杆菌中研究得最为广泛和深入。本文首先以大肠杆菌为重点对象, 介绍了细菌脂肪酸β-氧化机制的最新研究进展。在此基础上, 以植物病原黄单胞菌为代表, 介绍了DSF-家族群体感应信号分子(一类中链不饱和脂肪酸)的降解途径和调控机理。基于目前的研究结果, 进一步预测了超长链脂肪酸、3-位甲基脂肪酸、2-/3-位双键不饱和脂肪酸和多双键不饱和脂肪酸β-氧化途径中可能需要的特殊酶, 并展望了本领域有待深入研究的关键科学问题。本综述为进一步深化脂肪酸β-氧化与细菌致病性相关机理研究提供了坚实的基础。

为探究高光谱成像(400～1 000 nm)对羊肉中饱和脂肪酸（SFA）含量检测的可行性, 提出一种基于特征光谱信息和图像纹理特征融合的SFA含量预测模型, 实现对羊肉中SFA含量的快速检测及分布可视化。 利用分段阈值法构建掩膜图像, 获取羊肉样本感兴趣区域（ROI）, 结合SPXY法对样本集进行划分并对相关光谱信息进行预处理, 分别采用连续投影算法（SPA）、 变量组合集群分析法（VCPA）和β权重系数法提取特征光谱； 通过获取羊肉样本主成分图像, 结合灰度共生矩阵（GLCM）算法提取图像纹理信息； 分别对特征光谱、 图像信息及图谱融合信息建立的偏最小二乘回归（PLSR）与最小二乘支持向量机（LS-SVM）预测模型进行对比分析。 利用5种不同对原始光谱数据进行预处理, 经SNV法预处理后的光谱其校正集与预测集相关系数分别为0.921和0.875, 较原始光谱分别增加了0.001和0.04, 均方根误差模型分别为0.244和0.268, 较原始光谱模型分别减少了0.003和0.06； 对SNV法预处理后的光谱数据进行特征波长提取, SPA法、 VCPA法及β权重系数法分别提取出12, 10和9个特征波长； 获取羊肉样本的前5个主成分图像, 选择所含信息量最多的第一主成分图像进行纹理特征提取, 依次提取0, 45°, 90°和135°方向下的能量、 熵、 同质性和相关性共4个主要纹理特征。 利用SPA法提取的特征波长建立的PLSR与LS-SVM模型性能较好, PLSR模型校正集与预测集相关系数分别为0.884 9和0.880 7, 均方根误差分别为0.300 1和0.260 6； LS-SVM模型校正集与预测集相关系数分别为0.898 7和0.892 6, 均方根误差分别为0.276 7和0.247 6； 图谱信息融合模型中, PLSR模型校正集与预测集相关系数分别为0.907 1和0.907 8, 较特征光谱模型分别增加了0.02和0.03, 均方根误差分别为0.326 9和0.299 2, 较特征光谱模型分别增加了0.03和0.04； LS-SVM模型校正集与预测集相关系数分别为0.920 6和0.894 6, 较特征光谱模型分别增加了0.02和0.002, 均方根误差分别为0.251 9和0.245 8, 较特征光谱模型分别减少了0.02和0.002。 光谱预处理中经SNV法处理后的光谱所建模型性能优于其他预处理方法； 采用SPA法提取的12个特征波长简化了光谱模型, 提高了模型性能, 特征光谱建模的最优方法为SPA-LS-SVM； 图谱信息融合模型较特征光谱模型, 模型相关系数增加较少, 表明图像纹理信息虽携带了部分有效信息, 但这些信息与羊肉中SFA含量之间的相关性有待进一步研究。 基于图谱信息融合模型的预测性能最优, 其次为光谱信息模型。 择优选取SPA-PLSR模型计算羊肉样本中每个像素点的SFA含量, 利用伪彩色图直观表示了羊肉样本中SFA的含量分布。 实现对羊肉样本SFA含量的无损检测及分布可视化表达。

以遗传背景相似、种子颜色不同的5个甘蓝型油菜品系为材料, 研究甘蓝型油菜种子发育过程中玉米素核苷(ZR)、生长素(IAA)和脱落酸(ABA)含量的动态变化及其对籽粒产量和油脂成分的影响。结果表明, 开花授粉后10~20 d, ZR呈上升趋势, 其中黄籽中ZR较黑籽积累更快含量更高, IAA在籽粒中大量积累; 开花授粉后20~25 d, 黄籽中的IAA含量均显著高于黑籽; ABA浓度先呈上升趋势, 逐渐积累ABA, 之后开始又稍有下降然后维持在一定水平。授粉后10 d油菜籽粒油酸含量逐步升高, 黄籽中的油酸、亚油酸含量均显著高于黑籽, 黄籽含油量极显著高于黑籽, 说明籽粒发育前期和中期较高浓度的ZR和IAA有利于油酸、亚油酸和油脂的积累。

油脂中的反式脂肪酸(TFA)有害人们的身体健康, 有必要对其含量进行监测。 共收集各类食用植物油样本79个, 涉及9个品种和27个品牌, 分配到校正集和预测集的样本数分别为53个和26个。 采用QE65000拉曼光谱仪采集79个样本的拉曼光谱, 利用自适应迭代惩罚最小二乘法去除样本拉曼光谱的荧光背景; 在此基础上, 采用多种归一化方法对样本拉曼光谱进行处理, 并对拉曼光谱的建模波数范围进行初选; 再利用竞争性自适应重加权采样(CARS)方法筛选与食用植物油TFA含量相关的光谱变量, 并应用偏最小二乘(PLS)回归将食用植物油TFA的特征变量光谱强度与气相色谱测定的TFA真实含量进行关联, 建立食用植物油中TFA含量的定量预测模型。 研究结果表明, 多种归一化方法中, 有4种归一化方法均能提高PLS定量预测模型的性能, 其中Area normalization方法的效果最优; 经建模波数范围初选, 波数范围由686~2 301 cm-1缩减为737~1 787 cm-1, 确定较优的建模波数范围为737~1 787 cm-1; 经CARS方法筛选, 共有31个光谱变量被选择, 其选择的光谱变量主要分布在1 265, 1 303, 1 442及1 658 cm-1拉曼振动峰附近, 且974 cm-1拉曼振动峰两侧均有光谱变量被选择; 此外, CARS方法的PLS建模结果优于常用的无信息变量消除及连续投影算法。 由此可知, 激光拉曼光谱技术结合化学计量学方法检测食用植物油中的TFA含量是可行的。 归一化方法、 建模波数范围初选及竞争性自适应重加权采样(CARS)方法能有效提高TFA定量预测模型的预测精度和稳定性, 优化后的TFA定量预测模型的校正集及预测集的相关系数和均方根误差分别为0.949, 0.953和0.188%, 0.191%。 与未优化的预测模型相比, 预测均方根误差由0.361%下降为0.191%, 下降幅度为47.1%; 建模所用的变量数由683个下降为31个, 仅占原变量数的4.54%。

将近红外光谱分析技术结合化学计量学方法用于山茶油混合油品中油酸和亚油酸含量的快速检测。配制了76种山茶油混合油样本用于近红外光谱的采集,将不同的光谱预处理方法用于光谱有效信息的提取;将蒙特卡罗无信息变量消除(MCUVE)和变量组合集群分析(VCPA)方法用于建模变量的选择;将偏最小二乘回归(PLSR)用于脂肪酸含量定量分析模型的构建。结果表明:经NWD1 ^st-MSC预处理后,两种脂肪酸的近红外光谱的较正均得到最好的结果;采用基于VCPA的变量优选方法极大地改善了模型精度,实现了建模变量数量的有效压缩。对于油酸模型,建模变量数量由1501减少为7,交叉验证均方根误差和校正相关系数分别为1.107和0.984,预测均方根误差和测试集的预测相关系数分别为1.178和0.981;对于亚油酸模型,建模变量数量由1501减少为8,交叉验证均方根误差和校正相关系数分别为0.089和0.987,预测均方根误差和测试集的预测相关系数分别为0.105和0.982。近红外光谱分析技术结合NWD1 ^st-MSC-VCPA-PLSR的方法为山茶油混合油品中脂肪酸含量的测定提供了一种快速简单的分析方法。

β-酮脂酰-ACP合成酶II(KASII)是催化棕榈酸(16∶0-ACP)延伸为硬脂酸(18∶0-ACP)的关键酶, 其活性强弱决定着18碳脂肪酸含量的高低。本文以杜氏盐藻(Dunaliella salina)为试材, 分离鉴定杜氏盐藻DsKASII基因编码序列, 采用生物信息学工具解析DsKASII酶蛋白的亚细胞定位、高级结构、理化性质及系统发育等特性。检测氮胁迫下的DsKASII表达量, 以及藻细胞脂肪酸、叶绿素和β-胡萝卜素的含量。结果表明, DsKASII编码的酶蛋白长度为476 aa, pI为6.99, 含叶绿体靶向肽和较多亲水区。二级结构主要由α-螺旋(22.48％), β-片层(22.06％)和无规则卷曲(55.46％)组成。三级结构预测表明该蛋白整体呈紧密的心形结构, 活性酶蛋白为同源二聚体。系统发育分析表明, DsKASⅡ氨基酸序列与莱茵衣藻CrKASII同源性达99%, 可能二者有着共同的进化祖先。qRT-PCR揭示, 与正常培养的杜氏盐藻相比, DsKASII在氮胁迫条件下的表达量明显上调, 第3天时的表达量比正常培养的高4.5倍。氮胁迫下藻细胞总油脂、油酸(C18∶1)和类胡萝卜素含量显著提高, 然而棕榈酸(C16∶0)和叶绿素的含量明显降低。这表明, 氮胁迫诱导杜氏盐藻DsKASII基因上调表达, 将更多的棕榈酸催化为硬脂酸, 进而提高了单不饱和油酸的富集以及类胡萝卜素的积累。本研究为后续进一步解析杜氏盐藻氮胁迫条件下, 油脂与胡萝卜素合成积累及藻细胞响应胁迫机制和优质富油藻种培育提供了科学参考。

提出了一种基于激光拉曼光谱和人工蜂群智能优化支持向量回归机(ABC-SVR)算法的快速定量检测三组分混和油中3种脂肪酸含量的方法。 该方法针对光谱数据信息与样本之间非线性、 高维度的关系, 建立了预测精度及建模效率均高于同类对比算法的数学模型, 同时避免了气相色谱法、 液相色谱法等对混合油脂肪酸含量的检测方式, 根据纯种油中3种脂肪酸含量的国际标准, 由油品配置体积得到脂肪酸质量, 有效降低了检测成本与实验复杂程度, 提高了检测工作的实用价值。 首先根据一定梯度配置66组混合油检测样品, 使用便携式拉曼光谱仪采集样本的拉曼光谱信息, 扣除背景噪声; 观察多组样本的拉曼光谱图可知, 由于官能团浓度的差异, 食用油的拉曼特征峰位移基本相同, 特征峰的峰值明显不同, 因此基于特征峰信息可以区分食用调和油的不同混合物; 其次对拉曼光谱做背景扣除、 光谱平滑、 最大值谱线归一化三步预处理, 以降低实验中不可控的外界因素及背景荧光的影响, 准确提取光谱特征峰强度信息; 然后根据纯种油中3种脂肪酸的国际标准含量, 结合国家食品法典委员会标准CODEX STAN210—1999《指定的植物油法典标准》中规定的纯种油密度中值, 由油品体积得到脂肪酸质量数; 随机选取56组样本数据作为训练集, 剩余10组样本数据作为预测集; 以训练集光谱特征峰强度和脂肪酸质量分别作为回归模型的输入及输出值, 建立SVR和PSO-SVR, ABC-SVR三种混合优化算法对比的定量分析模型, 对测试集的3种脂肪酸含量分别进行预测; 最后通过均方误差(MSE)、 相关系数(r)及建模时间(Elapsed time)分别进行对比, 建立数据表对模型精准度进行检验。 实验结果表明, 通过ABC-SVR定量分析模型效果最佳, 3种脂肪酸含量预测值与真实值的均方差分别为0.88×10-4, 16×10-4和8×10-4, 均低于0.002; 相关系数分别为93.43%, 99.65%和99.43%, 均高于93%; 预测时间(Elapsed time)分别为1.26, 2.42和2.14 s。 因此, 所提出的检测方法, 具备较高的精确度、 较快的建模时间, 且在理论上的类似条件下可适用于其他样品检测工作, 可为振动光谱学对食用油掺伪分析的进一步工作提供可行的理论依据。

不饱和脂肪酸是鲜肉脂肪的基本组成成分, 其种类和含量直接影响鲜肉的风味和品质。 不同于用时长, 破坏样品的气相色谱法, 近红外分析可快速, 无损地对鲜肉中不饱和脂肪酸进行定量检测。 选取了驴肉, 牛肉, 羊肉和猪肉鲜肉样品共63个, 在4 000～12 500 cm-1波段上, 分别采集了肉块样品和粉碎口径3 mm的肉糜样品在5, 10, 15, 20, 25, 30, 35 ℃下的近红外漫反射光谱, 并使用气相色谱法作为参考检测了样品的不饱和脂肪酸含量。 为优化模型性能, 比较了不同温度下肉块和肉糜样品全波段光谱的棕榈油酸、 亚油酸、 油酸、 二十四碳一烯酸和总不饱和脂肪酸的偏最小二乘模型参数, 发现棕榈油酸和总不饱和脂肪酸的5 ℃肉糜光谱模型, 亚油酸的35 ℃和油酸的25 ℃肉糜光谱模型, 以及二十四碳一烯酸的15 ℃肉块光谱模型较佳, 且温度对模型的影响不具有明显的规律性。 在较佳模型的基础上, 分别以220, 440, 881和1 762个变量为窗口区间, 使用前向和反向区间偏最小二乘法对波长进行了优选, 发现棕榈油酸、 亚油酸、 油酸和总不饱和脂肪酸以220个变量作为窗口的反向区间偏最小二乘模型, 以及二十四碳一烯酸以440个变量为窗口的前向区间偏最小二乘模型较佳, 且预测性能均优于全波段PLS模型。 其中棕榈油酸的建模波段为: 4 425～4 636, 4 849～5 272, 5 486～5 696.7, 7 398.6～7 818, 8 031.1～8 666.5, 9 947～10 363.6, 12 495.5～12 498.4 cm-1; 亚油酸的建模波段为: 4 000.6～4 423.9, 5 273.4～5 698.6, 7 398.6～9 090.8, 10 576.7～10 787.8, 12 495.5～12 498.4 cm-1; 油酸的建模波段为: 4 000.6～4 423.9, 4 637～4 848.2, 7 398.6～8 242.3, 8 455.4～9 090.8, 9 947～10 787.8, 12 495.5～12 498.4 cm-1; 二十四碳一烯酸的建模波段为: 4 849.1～5 272.4 cm-1; 总不饱和脂肪酸的建模波段为: 4 000.6～4 423.9, 4 637～5 698.6, 9 097.5～9 515.1, 9 940.3～10 575.7, 11 646～12 060.6, 12 273.7～12 498.4 cm-1。 使用偏最小二乘法对优选波长光谱数据进行降维, 利用得到的潜在变量作为各指标最小二乘-支持向量机模型的输入, 并和各指标的区间偏最小二乘模型进行了性能的比较, 发现最小二乘-支持向量机模型的各指标定量结果最优。 棕榈油酸、 亚油酸、 油酸、 二十四碳一烯酸和总不饱和脂肪酸最优模型的校正集相关系数和均方根误差, 以及留一交叉验证相关系数, 均方根误差及相对预测误差分别为: 0.974, 1.403 mg·(100 g)-1, 0.973, 1.428 mg·(100 g)-1, 4.31; 0.99, 2.233 mg·(100 g)-1, 0.99, 2.263 mg·(100 g)-1, 7.21; 0.982, 8.194 mg·(100 g)-1, 0.982, 8.223 mg·(100 g)-1, 5.19; 0.921, 0.224 mg·(100 g)-1, 0.92, 0.225 mg·(100 g)-1, 2.52; 0.996, 24.21 mg·(100 g)-1, 0.995, 26.045 mg·(100 g)-1, 10.01。 其中, 亚油酸、 油酸和总不饱和脂肪酸最优模型的交叉验证相对预测误差超过5, 棕榈油酸最优模型的交叉验证相对预测误差接近5, 二十四碳一烯酸的交叉验证相对预测误差接近3, 各指标最优模型的预测性能较为令人满意。 研究结果表明, 波段优选, 偏最小二乘降维以及最小二乘-支持向量机算法的结合可对鲜肉中单个不饱和脂肪酸及总不饱和脂肪酸指标的近红外光谱定量结果进行有效的优化。