[논문]밀 유전자원의 근적외선분광분석 예측모델에 의한 단백질 함량 변이분석

오세종; 최유미; 윤혜명; 이수경; 유은애; 현도윤; 신명재; 이명철; 채병수

doi:10.7740/kjcs.2019.64.4.353

밀 유전자원의 근적외선분광분석 예측모델에 의한 단백질 함량 변이분석
Statistical Analysis of Protein Content in Wheat Germplasm Based on Near-infrared Reflectance Spectroscopy 원문보기

Korean journal of crop science = 韓國作物學會誌, v.64 no.4, 2019년, pp.353 - 365

초록
AI-Helper

본 연구는 근적외선 분광분석기(NIRS) 예측모델을 설정하여 유전자원 대량분석 체계를 확립하고 그에 따른 국내 외 밀 자원의 단백질 함량에 관한 기초 정보를 제공하고자 하였다. 1. 농업유전자원센터에 보유하고 있는 20,000여 자원 중 1,798자원을 검량 자원으로 선발하였다. 검량자원의 NIR 스펙트럼을 측정하였고, 단백질 함량 습식분석 데이터 입력 등 일련의 통계적 처리 과정을 거쳐 NIRS 예측모델을 설정했다. 검량 자원의 다양성 지수는 0.80이었고, 습식 분석법에 의한 단백질 평균은 13.2%, 함량 구간은 7.0-20.8%였다. 최적화된 NIRS 모델의 R², SEC, Slope은 0.997, 0.132, 1.000이었다. 300자원을 사용하여 외부 검정 과정을 실시하였고 R², SEP, Slope은 0.994, 0.191, 1.013이었다. 최적화된 NIRS 모델과 외부검정 결과의 통계치가 상호 유사하였고, 1에 가까운 R²와 Slope 값, 낮은 SEC와 SEP 값을 볼 때 본 연구에서 설정한 NIRS 모델은 습식 분석법을 대체하여 밀 자원의 단백질 함량 분석에 적용 가능할 것으로 판단되었다. 2. 국내외 수집된 밀 6,794자원의 NIRS 단백질 함량 측정값을 정규분포로 작성하여 특성을 파악했다. 자원의 다양성 지수는 0.79, 단백질 평균은 12.1%, 전체 자원의 임의구간 42.1% 단백질 함량자원 범위는 10-13%이었으며, 68.0%를 차지하는 자원들의 단백질 함량 범위는 9.5-14.7%였다. 3. 전체 6,794자원의 품종 집단 구성은 육성계통 3,128자원, 재래종 2,705자원, 육성품종 961자원이었다. 육성계통 자원의 다양성 지수는 0.80, 단백질 평균은 11.8%, 전체 자원의 68%를 차지하는 자원들의 함량 범위는 9.2-14.5%였다. 재래종 자원의 다양성 지수는 0.76, 단백질 평균은 12.1%, 전체 자원의 68.0%를 차지하는 자원들의 함량 범위는 9.8-14.4%였다. 육성품종 자원의 다양성 지수는 0.80, 단백질 평균은 12.8%, 전체 자원의 68.0%를 차지하는 자원들의 함량 범위는 10.2-15.4%였다. 재래종 자원은 가장 낮은 다양성 지수를 나타냈고, 육성계통과 육성품종은 동일한 다양성 지수를 나타냈다. 육성계통은 가장 낮은 단백질 평균을 나타냈고, 육성품종은 가장 높은 단백질 평균을 나타냈다.

Abstract ▼ AI-Helper

A near-infrared reflectance spectroscopy (NIRS) prediction model was set to establish a rapid analysis system of wheat germplasm and provide statistical information on the characteristics of protein contents. The variability index value (VIV) of calibration resources was 0.80, the average protein content was 13.2%, and the content range was from 7.0% to 13.2%. After measuring the near-infrared spectra of calibration resources, the NIRS prediction model was developed through a regression analysis between protein content and spectra data, and then optimized by excluding outliers. The standard error of calibration, R2, and the slope of the optimized model were 0.132, 0.997, and 1.000 respectively, and those of external validation results were 0.994, 0.191, and 1.013, respectively. Based on these results, a developed NIRS model could be applied to the rapid analysis of protein in wheat. The distribution of NIRS protein content of 6,794 resources were analyzed using a normal distribution analysis. The VIV was 0.79, the average protein was 12.1%, and the content range of resources accounting for 42.1% and 68% of the total accessions were 10-13% and 9.5-14.6%, respectively. The composition of total resources was classified into breeding line (3,128), landrace (2,705), and variety (961). The VIV in breeding line was 0.80, the protein average was 11.8%, and the contents of 68% of total resources ranged from 9.2% to 14.5%. The VIV in landrace was 0.76, the protein average was 12.1%, and the content range of resources of 68% of total accessions was 9.8-14.4%. The VIV in variety was 0.80, the protein average was 12.8%, and the accessions representing 68% of total resources ranged from 10.2% to 15.4%. These results should be helpful to the related experts of wheat breeding.

주제어

표/그림 (13)

표 Table 1. Geographical origin distribution of wheat germplasm used for creating NIRS equation model.
그림 Fig. 1. Schematic design for system of rapid analysis evaluation.
그림 Fig. 2. Normal distribution of protein content in wheat germ-plasm for NIRS prediction model (n=1,798).
표 Table 2. External validation result of NIRS optimized equation model for the analysis of protein content in wheat germplasm.
그림 Fig. 3. Comparison of two methods of plotting NIRS equation graph between WINISI III program (A) and manual Excel program (B) based on the wheat germplasm.
그림 Fig. 4. Normal distribution and probability density of protein content in wheat germplasm.
표 Table 3. Classification of wheat flour based on protein content.
그림 Fig. 5. Normal distribution of wheat protein content in breeding line obtained from NIRS analysis.
그림 Fig. 6. Calculation of accessions for wheat protein content in breeding line using standard normal distribution curve.
그림 Fig. 7. Normal distribution of wheat protein content in landrace obtained from NIRS analysis.
그림 Fig. 8. Calculation of accessions for wheat protein content in landrace using standard normal distribution curve.
그림 Fig. 9. Normal distribution of wheat protein content in variety obtained from NIRS analysis.
그림 Fig. 10. Calculation of accessions for wheat protein content in variety using standard normal distribution curve.

AI 본문요약
AI-Helper

* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.

문제 정의

본 연구는 근적외선 분광분석기(NIRS) 예측모델을 설정하여 유전자원 대량분석 체계를 확립하고 그에 따른 국내 외 밀 자원의 단백질 함량에 관한 기초 정보를 제공하고자 하였다.
밀 단백질 습식분석 결과를 토대로 NIRS 프로그램에서 검량식을 작성하였으며 이들 좌표를 근거로 하여 수동으로 회귀분석을 실시하여 통계적 분석적용을 이해하고 또한 신뢰성을 확인하고자 작성된 값들을 상호 비교하여 동일한 결과를 확인한 후 밀 단백질 성분 대량평가 기반이 되는 예측모델 자원집단을 확보하였다. 신속 정확한 대량평가 체계를 구축하여 농업유전자원센터에 보존되어있는 밀 유전자원성분 평가를 실시하여 그 결과를 단순한 도면으로 나타내고자 하였으며, 기초통계 기법을 이용하여 자원을 변이 별로 다양성 집단을 구분하고 이에 대한 밀 단백질 함량 분석정보를 관련 연구의 기초자료로 제공하고자 본 연구를 수행하였다.

제안 방법

검량식작성에 관련된 통계적이론과 분석정보를 바탕으로한 정규분포작성 그리고 자원정보 분석을 위한 정규분포 표준화에 대한 상세한 그림은 보충자료에 Supplement Figs. 1, 2, and 3 형식으로 예시자료로 추가하였다.
2. 국내외 수집된 밀 6,794자원의 NIRS 단백질 함량 측정값을 정규분포로 작성하여 특성을 파악했다. 자원의 다양성 지수는 0.
검량식 작성에 사용된 자원수와 R², slope 값의 통계지표를 고려하여 예측성능이 우수하다고 판단된 검량식을 선정하였고 이후 보완과정을 진행하였다. NIRS 분석방법은 습식분석에 비해 정확성은 낮기 때문에 검량식 자원들을 적정 농도 구간에서 균등한 자원 밀도를 나타내도록 구성하는 것이 중요하다(Kim et al.
농업유전자원센터에 보유하고 있는 20,000여 자원 중1,798자원을 검량 자원으로 선발하였다. 검량자원의 NIR스펙트럼을 측정하였고, 단백질 함량 습식분석 데이터 입력 등 일련의 통계적 처리 과정을 거쳐 NIRS 예측모델을 설정했다. 검량 자원의 다양성 지수는 0.
, 2016). 따라서 검량식 작성에 사용된 자원 외의 별도자원들을 이용하여 NIRS 구동 프로그램의 external validation 기능을 이용하여 외부검증과정을 거쳤다. 검량식 작성에 사용된 1,798자원 이외의 300자원의 단백질 함량을 최적 예측모델이 적용된 NIRS를 이용하여 분석하였고, 이후 켈달법을 사용하여 조단백질 함량을 분석하였다.
밀 유전자원의 NIRS 측정은 근적외선 분광분석기(FOSS,XDS Rapid Content Analyzer, Hoganas, Sweden) 및 ISI scan (FOSS, ver. 4.2.0, 2007) 프로그램을 사용하였으며,sample cup에 시료 약 0.6 g을 채운후 sample cup backs로시료내 공극을 최소화 시킨 후, 실온에서 동인 시료 당 2반복 scanning하여 근적외선 대역(700-2500 nm)의 스펙트럼을 얻고, 켈달분석법으로 얻어진 조단백질 함량을 입력한 후 검량식 작성에 활용하였다.
5 g을 Kjeldahl 분해관에 넣고 진한 황산 12 ml를 가한 후 셀레늄분해촉매제(FOSS, Kjetabs Se/3,5, United Kingdom) 2알을 넣고 Kjeldahl분해 및 포집 장치(FOSS, Tecator Digestor Auto & Scrubber,Suzhou, China)에 연결한 후 420°C에서 1시간동안 분해하였다. 분해 반응이 끝난 후 Kjeldahl 분해관을 실온에서 냉각하는 동안 잔여 분해가스를 방출시키고 Kjeldahl 자동 증류 및 분석 장치(FOSS, Kjeltec 8400, Hoganas, Sweden)에 연결하였다. 연결된 분해관에 40% NaOH 50 ml와 스팀을 가하여 분해 용액을 증류시켜 암모니아태 질소성분을 생성시킨 후 1% 붕산용액에 포집하였다.
연결된 분해관에 40% NaOH 50 ml와 스팀을 가하여 분해 용액을 증류시켜 암모니아태 질소성분을 생성시킨 후 1% 붕산용액에 포집하였다. 붕산용액을 0.1 N HCl 표준용액으로 적정하여 질소함량(N%)을 구하고, 밀의 질소보정계수(5.83)를 곱하여 조단백질 함량(%)으로 환산하였다
수분함량은 105°C 온도조건에서 수분측정기(M0C63u, Shimadzu, Japan)를 사용하여 측정하였다.
50e)의 standard normal variance와 detrend 기능을 이용하여 시료 입도 차이에서 발생하는 스펙트럼 산란현상의 보정, 수학적 처리, 회귀분석과 같은 일련의 처리과정을 거쳐 검량식 작성을 하였다. 수학적 처리는 1 ,4, 4, 1 (1st derivative,4 nm gap, 4 point smooth, 1 point second smooth)을 적용하였다. 단백질 분석 값과 NIRS 측정값의 통계적 해석과 상관관계 분석을 통한 예측모델을 산출은 WINISI III project manager의 global equation 기능을 사용하였으며, 예측모델 중 단백질 습식 분석 값을 가장 잘 예측할 수 있는 모델은 R-square (RSQ, R²), standard error of calibration (SEC),standard error of prediction (SEP), slope, bias, standard error of cross-validation (SECV) 및 one minus the ratio of unexplained variance to total variance (1-VR) 등의 통계지표를 고려하여 선별하였다.
습식분석으로 얻어진 단백질 함량이 저장된 근적외선 스펙트럼은 WINISI III project manager (FOSS, ver. 1.50e)의 standard normal variance와 detrend 기능을 이용하여 시료 입도 차이에서 발생하는 스펙트럼 산란현상의 보정, 수학적 처리, 회귀분석과 같은 일련의 처리과정을 거쳐 검량식 작성을 하였다. 수학적 처리는 1 ,4, 4, 1 (1st derivative,4 nm gap, 4 point smooth, 1 point second smooth)을 적용하였다.
시료 0.5 g을 Kjeldahl 분해관에 넣고 진한 황산 12 ml를 가한 후 셀레늄분해촉매제(FOSS, Kjetabs Se/3,5, United Kingdom) 2알을 넣고 Kjeldahl분해 및 포집 장치(FOSS, Tecator Digestor Auto & Scrubber,Suzhou, China)에 연결한 후 420°C에서 1시간동안 분해하였다.
자원밀도가 낮은 구간은 자원을 추가 분석하여 검량식 작성에 사용하여 보완하였다. 이상치 자원을 검량식 작성과정에서 제거하여 주요 통계지표의 수치를 향상 시키는 방법으로 NIRS 예측모델을 최적화하였다. 검량식 작성과 보완에 사용된 1,798자원 중 최적화를 위해 111자원이 제외되었으며 최종적으로 1,687자원이 예측모델 작성에 사용되었다.
, 2008a). 자원밀도가 낮은 구간은 자원을 추가 분석하여 검량식 작성에 사용하여 보완하였다. 이상치 자원을 검량식 작성과정에서 제거하여 주요 통계지표의 수치를 향상 시키는 방법으로 NIRS 예측모델을 최적화하였다.
4). 전체자원을 세부적으로 Type별로 구분해 보면 육성계통 3,128자원, 재래종 2,705자원, 육성품종 961자원으로 나눌 수 있으며 이들을 대상으로 단백질 함량 분포 특성을 비교하였다(Fig. 5, Fig. 7, Fig. 9).

대상 데이터

1. 농업유전자원센터에 보유하고 있는 20,000여 자원 중1,798자원을 검량 자원으로 선발하였다. 검량자원의 NIR스펙트럼을 측정하였고, 단백질 함량 습식분석 데이터 입력 등 일련의 통계적 처리 과정을 거쳐 NIRS 예측모델을 설정했다.
000이었다. 300자원을 사용하여 외부검정 과정을 실시하였고 R², SEP, Slope은 0.994, 0.191,1.013이었다. 최적화된 NIRS 모델과 외부검정 결과의 통계치가 상호 유사하였고, 1에 가까운 R²와 Slope 값, 낮은 SEC와 SEP 값을 볼 때 본 연구에서 설정한 NIRS모델은 습식 분석법을 대체하여 밀 자원의 단백질 함량분석에 적용 가능할 것으로 판단되었다.
이상치 자원을 검량식 작성과정에서 제거하여 주요 통계지표의 수치를 향상 시키는 방법으로 NIRS 예측모델을 최적화하였다. 검량식 작성과 보완에 사용된 1,798자원 중 최적화를 위해 111자원이 제외되었으며 최종적으로 1,687자원이 예측모델 작성에 사용되었다. 최적화된 NIRS예측모델의 R² 값은 0.
밀 유전자원은 농업유전자원정보 통합관리시스템(GMS)을 이용하여 자원의 지리적 분포 특성이 잘 반영되도록 전체 자원을 아시아, 중동, 유럽, 아프리카, 아메리카, 오세아니아와 같이 6 그룹으로 분류한 후 각 그룹 간 구성 비율과 각 그룹에 속하는 국가별 자원들의 구성 비율에 따라 2,098자원을 선발하였다. 선발자원 중 300자원을 제외한 1,798자원을 검량식 검정자원으로 선정하였다(Table 1). 각각의 종자 50립을 분쇄기(Bistro electric coffee grinder, Bodum^Ⓡ)를 사용하여 2,600 rpm 조건에서 약 2분간 분쇄하였다.

데이터처리

검량식 작성에 사용된 1,798자원 이외의 300자원의 단백질 함량을 최적 예측모델이 적용된 NIRS를 이용하여 분석하였고, 이후 켈달법을 사용하여 조단백질 함량을 분석하였다. 검증자원 각각의 켈달분석 값을 NIRS 구동 프로그램의 lab data 항목에 입력하여 external validation set을 구성하였고, 구성된 set을 NIRS 예측모델에 적용하여 검정 결과 항목 각각의 통계지표들을 계산하였다. 검정결과와 예측모델의 통계지표들을 상호 비교해보면, r² (R²) 값은 각각 0.
수학적 처리는 1 ,4, 4, 1 (1st derivative,4 nm gap, 4 point smooth, 1 point second smooth)을 적용하였다. 단백질 분석 값과 NIRS 측정값의 통계적 해석과 상관관계 분석을 통한 예측모델을 산출은 WINISI III project manager의 global equation 기능을 사용하였으며, 예측모델 중 단백질 습식 분석 값을 가장 잘 예측할 수 있는 모델은 R-square (RSQ, R²), standard error of calibration (SEC),standard error of prediction (SEP), slope, bias, standard error of cross-validation (SECV) 및 one minus the ratio of unexplained variance to total variance (1-VR) 등의 통계지표를 고려하여 선별하였다. NIRS 검량식 작성 과정과 분석정보제공에 대한 체계를 Fig.
밀 단백질 습식분석 결과를 토대로 NIRS 프로그램에서 검량식을 작성하였으며 이들 좌표를 근거로 하여 수동으로 회귀분석을 실시하여 통계적 분석적용을 이해하고 또한 신뢰성을 확인하고자 작성된 값들을 상호 비교하여 동일한 결과를 확인한 후 밀 단백질 성분 대량평가 기반이 되는 예측모델 자원집단을 확보하였다. 신속 정확한 대량평가 체계를 구축하여 농업유전자원센터에 보존되어있는 밀 유전자원성분 평가를 실시하여 그 결과를 단순한 도면으로 나타내고자 하였으며, 기초통계 기법을 이용하여 자원을 변이 별로 다양성 집단을 구분하고 이에 대한 밀 단백질 함량 분석정보를 관련 연구의 기초자료로 제공하고자 본 연구를 수행하였다.

이론/모형

300μm sieve를 사용하여 밀 겨가 제거된 균일한 밀가루 상태로 만든 후 근적외선영역의 스펙트럼 측정과 마이크로 켈달법에 의한 조단백질 함량 분석에 사용하였다.
따라서 검량식 작성에 사용된 자원 외의 별도자원들을 이용하여 NIRS 구동 프로그램의 external validation 기능을 이용하여 외부검증과정을 거쳤다. 검량식 작성에 사용된 1,798자원 이외의 300자원의 단백질 함량을 최적 예측모델이 적용된 NIRS를 이용하여 분석하였고, 이후 켈달법을 사용하여 조단백질 함량을 분석하였다. 검증자원 각각의 켈달분석 값을 NIRS 구동 프로그램의 lab data 항목에 입력하여 external validation set을 구성하였고, 구성된 set을 NIRS 예측모델에 적용하여 검정 결과 항목 각각의 통계지표들을 계산하였다.
조단백질 함량은 micro Kjeldahl 질소정량법(AACC, 2000)에 따라 다음과 같이 측정하였다. 시료 0.

성능/효과

3. 전체 6,794자원의 품종 집단 구성은 육성계통 3,128자원, 재래종 2,705자원, 육성품종 961자원이었다. 육성계통 자원의 다양성 지수는 0.
7). Pomeranz의 구분기준에 근거로한 재래종 밀 유전자원분포분석은 13.0% 이상은 전체자원의 34.8%인 941자원,11.5-13.0% 범위는 전체자원의 33.2%인 898자원, 10-11% 범위는 전체자원의 13.7%인 370자원, 9-11% 범위는 전체 자원의 22.9%인 619자원, 8-10% 범위는 전체자원의 14.3%인 386자원을 차지하는 것으로 나타났다(Fig. 8). 재래종 자원은 육종소재로 사용될 가능성이 많으므로 자원분석을 용도별로 빵용, 국수용, 제과용 등의 구분에 따라 여러 구간으로 나누어 봄으로써 관련 연구자에게 유용한 정보가 제공될 것으로 사료된다.
FOSS. ver. 1.50e에서 제공하는 WINISI III project manager 프로그램을 사용하여 작성된 NIRS 검량식 그래프와 EXCEL 프로그램을 사용하여 수동 방법으로 작성된 검량식 그래프를 상호 비교한 결과(Supplements 참조) 관련 통계지표들이 동일한 값을 나타내어 각기 다른 방법으로 작성된 검량식이 동일함을 확인하였다(Fig. 3).
검량자원의 NIR스펙트럼을 측정하였고, 단백질 함량 습식분석 데이터 입력 등 일련의 통계적 처리 과정을 거쳐 NIRS 예측모델을 설정했다. 검량 자원의 다양성 지수는 0.80이었고,습식 분석법에 의한 단백질 평균은 13.2%, 함량 구간은 7.0-20.8%였다. 최적화된 NIRS 모델의 R², SEC, Slope은 0.
이는 대량평가체계를 구축하는 기반자원으로서의 역할을 충분히 할 수 있을 것으로 사료된다. 단백질 성분함량 13.0-15.5% 구간에서 타 함량 구간 대비 미약하게 낮은 확률밀도를 나타냈으나 해당 구간 내 자원수는 503자원으로 검량식 작성에 충분한 자원수로 판단되었다(Fig. 2).
재래종 자원은 가장 낮은 다양성 지수를 나타냈고, 육성계통과 육성품종은 동일한 다양성 지수를 나타냈다. 육성계통은 가장 낮은 단백질 평균을 나타냈고, 육성품종은 가장 높은 단백질 평균을 나타냈다.
육성품종 자원은 7.0-8.0%, 11.0-12.0%, 12.5-14.0% 함량구간에서 정규분포함수에 비해 자원밀도가 구간별로 조금씩 차이가 있었으며 9.0-10.5%, 14.5-16.5% 함량구간에서 정규분포함수에 비해 자원밀도는 높았다. 전반적으로 자원분포는 평균 12.
, 2016). 이상의 결과들을 종합해 볼 때 개발된 NIRS 예측모델에 의한 단백질 함량분석은 켈달분석과 높은 상관정도를 나타내며 분석정확도 또한 큰 차이가 없는 것으로 판단되었다(Table 2).
4%였다. 재래종 자원은 가장 낮은 다양성 지수를 나타냈고, 육성계통과 육성품종은 동일한 다양성 지수를 나타냈다. 육성계통은 가장 낮은 단백질 평균을 나타냈고, 육성품종은 가장 높은 단백질 평균을 나타냈다.
0% 함량구간에서 정규분포함수에 비해 자원밀도는 높았다. 전반적으로 자원분포는 평균 12.1%, 표준편차 2.3%인 정규분포와 유사하였고, 자원의 다양성 지수는 0.76이었다(Fig. 7). Pomeranz의 구분기준에 근거로한 재래종 밀 유전자원분포분석은 13.
5% 함량구간에서 정규분포함수에 비해 자원밀도가 다소 낮았다. 전반적으로 자원분포는 평균 12.1%, 표준편차 2.6%인 정규분포와 유사하였고, 자원의 다양성 지수는 0.79였다. 전체 자원수의 약 68%에 해당되는 자원들이 9.
013이었다. 최적화된 NIRS 모델과 외부검정 결과의 통계치가 상호 유사하였고, 1에 가까운 R²와 Slope 값, 낮은 SEC와 SEP 값을 볼 때 본 연구에서 설정한 NIRS모델은 습식 분석법을 대체하여 밀 자원의 단백질 함량분석에 적용 가능할 것으로 판단되었다.

후속연구

8). 재래종 자원은 육종소재로 사용될 가능성이 많으므로 자원분석을 용도별로 빵용, 국수용, 제과용 등의 구분에 따라 여러 구간으로 나누어 봄으로써 관련 연구자에게 유용한 정보가 제공될 것으로 사료된다.
함수식이 제공하는 정규분포와 수집자원 히스토그램의 모양이 일치한다면 이상정인 수집자원 집단을 형성하고 있다고 해석할 수 있다. 히스토그램이 정규분포곡선과 차이를 보이는 부분은 앞으로 수집자원의 보정이 필요하다는 것을 제시할 수도 있으며 이를 최소화함으로써 프로그램화하는데 기초자료로 제공될 가능성이 있을 것으로 사료된다. 유전자원이 자원으로써 중요성을 가지기 위해서는 자원의 다양성을 얼마나 갖추고 있느냐에 달려 있다고 생각된다.

질의응답

핵심어	질문	논문에서 추출한 답변
	1-VR이란?	1-VR은 검량식 작성에 이미 이용된 자원을 재차 이용하여 정확도를 평가하는 역검정 방법이다. 간편하게 평가가 이뤄지는 장점이 있으나 1-VR 만으로는 개발된 NIRS 예측모델의 미지시료 분석 시 정확도를 평가하기에 부족하다(Bagchi et al.
	세계 3대 주요 작물 중 밀을 제외한 나머지 2가지 작물은?	밀은 쌀, 옥수수와 함께 세계 3대 주요 작물 중 하나이며 건조하고 척박한 환경에서도 잘 자라고 많은 노동력이 필요하지 않아 재배가 용이하다. 미네랄, 비타민 등 몸에 좋은 유용성분이 많아 식량작물로써의 조건을 가지고 있어 오래된 재배역사를 가지고 있다(Kang et al.
	밀의 단백질 함량에 따라 밀가루의 가공 용도를 구분하는 국외 규정은 어떻게 되는가?	, 2002). 국외에서는 Heart bread and hard rolls 13.5 이상, Macaroni products 13% 이상, Pan bread 11.5-13.0%, Crackers 10-11%, Biscuits 9-11%, Cakes, Pies,cookies 8-10%로 규정하고 있다(Pomeranz, 1988). 국내는 박력분 강력분 중력분으로 구분해서 분류하고 있으며 박력 밀가루는 반죽의 점성이 낮고 부드러워 제과용으로, 강력 밀가루는 제빵용으로, 박력분과 강력분의 중간정도 글루텐 강도를 갖는 중력 밀가루는 제면용으로 사용된다(Kang etal.

참고문헌 (21)

AACC. 2000. Approved methods of the American Association of Cereal Chemists In : St. Paul, MN, 10th edn. USA.
Abrams, S. M., J. S. Shenk, M. O. Westerhaus, and F. E. Barton. 1987. Determination of forage quality by near-infrared reflectance spectroscopy: Efficiency of broad based calibration equations. J. Diary Sci. 70 : 806-813.

상세보기
Bagchi, T. B., S. Sharma, and K. Chattopadhyay. 2016. Development of NIRS models to predict protein and amylose content of brown rice and proximate compositions of rice bran. Food Chemistry 191 : 21-27.

상세보기
Clarke, M. A., E. R. Arias, and C. McDonald-Lewis. 1992. Near Infrared Analysis in The Sugarcane Factory, Ruspam Commun. Inc., Sugary Azucar Press, LA (USA). pp. 244-264.
Cho, S. W., T. G. Kang, C. S. Park, J. H. Son, C. H. Choi, Y. K. Cheong, Y. M. Yoon, K. H. Kim, and C. S. Kang. 2018. Influence of different nitrogen fertilizer application levels and application timing on gluten fraction and bread loaf volume during grain filing. Korean J. Crop Sci. 63(3) : 229-238.

원문보기 상세보기
Kang, C. S., C. S. Park, J. C. Park, H. S. Kim, Y. K. Cheong, K. H. Kim, K. J. Kim, K. H. Park, and J. G. Kim. 2010. Flour characteristics and end-use quality of Korean wheat cultivars II. End-use properties. Korean J. Breed. Sci. 42(1) : 75-86.
Kang, C. S., Y. K. Cheong, and B. K. Kim. 2016. Current situation and prospect of Korean wheat industry. Food Industry and Nutrition 21(2) : 20-24.
Kim, J. S., M. H. Song, J. E. Choi, H. B. Lee, and S. N. Ahn. 2008a. Quantification of protein and amylose contents by near-infrared reflectance spectroscopy in aroma rice. Korean J. Food Sci. Technol. 40(6) : 603-610.
Kim, J. S., Y. H. Cho, J. G. Gwag, K. H. Ma, Y. M. Choi, J. B. Kim, J. H. Lee, T. S. Kim, J. K. Cho, and S. Y. Lee. 2008b. Quantitative analysis of amylose and protein content of rice germplasm in RDA-genebank by near-infrared reflectance spectroscopy. Korean J. Crop Sci. 53(2) : 217-223.
Kim, K. H., C. S. Kang, I. D. Choi, H. S. Kim, J. N. Hyun, and C. S. Park. 2016. Analysis of grain characteristics in Korean wheat and screening wheat for quality using near infrared reflectance spectroscopy. Korean J. Breed. Sci. 48(4) : 442-449.

상세보기
Lee, C. K., J. H. Nam, M. S. Kang, B. C. Ku, J. C. Kim, K. G. Park, M. W. Park, and Y. H. Kim. 2002. Current wheat quality criteria and inspection system of major wheat producing countries. Korean Crop J. Sci. 47 : 63-94.
Lee, J. Y., H. J. Lee, J. H. Cho, S. Y. Kim, C. S. Kim, Y. B. Sohn, U. S. Yeo, C. W. Lee, and M. H. Nam. 2012. Analysis of eating quality in recombinant inbred lines and selection of elite line with glutelin content in rice. Korean J. Breed. Sci. 44(2) : 136-141.
Lee, K. J., D. J. Kim, H. Y. Ban, and B. W. Lee. 2015. Genotypic differences in yield and yield-related elements of rice under elevated air temperature conditions. Korean Journal of Agricultural and Forest Meteorology 17(4) : 306-316.

원문보기 상세보기
Lim, E. Y., H. K. Chang, and Y. S. Park. 2007. Physicochemical properties and product potentiality of soft wheats. Korean J. Food Sci. Technol. 39(4) : 412-418.
Ministry of Agriculture, Food and Rural Affairs. 2018. Agriculture, food and rural affairs statistics yearbook. MAFRA. Sejong. Korea. 214-215.
Pomeranz, Y. 1988. Criteria of wheat quality. Pages 15-45 in: Wheat Chemistry and Technology. American Association of Cereal Chemists. ST. Paul. Mn.
Park, H. S., K. Y. Ha, K. Y. Kim, W. J. Kim, J. K. Nam, M. K. Baek, J. J. Kim, J. M. Jeong, Y. C. Cho, J. H. Lee, B. K. Kim, and S. N. Ahn. 2015. Development of high-yielding rice lines and analysis of panicle and yield-related traits using doubled haploid lines derived from the cross between deuraechan and boramchan, high-yielding japonica rice cultivars in Korea. Korean J. Breed. Sci. 47(4) : 384-402.

상세보기
Shin, S. H., K. H. Kim, J. H. Son, C. S. Kang, Y. K. Cheong, C. K. Le, J. C. Park, and C. S. Park. 2014. Analysis of semi-dwarf gene (Rht) construction and its relationship with agronomic characteristics, pre-harvest spouting, and fusarium head blight in Korean wheat cultivar. Journal of Agriculture & Life Sciences 45(1) : 72-79.
Shi, H., Y. Lei, L. L. Prates, and P. Yu. 2019. Evaluation of near-infrared (NIR) and fourier transform mid-infrared (ATRFT/MIR) spectroscopy techniques combined with chemometrics for the determination of crude protein and intestinal protein digestibility of wheat. Food Chemistry 272 : 507-513.

상세보기
Williams, P. and K. Norris. 1987. Near-Infrared Technology in Agricultural and Food Industries. American Association of Cereal Chemists, Inc., MN (USA). p. 330.
Zhang, Y., L. Luo, J. Li, S. Li, W. Qu, H. Ma, A. O. Oladejo, and X. Ye. 2017. In-situ and real-time monitoring of enzyme process of wheat gluten by miniature fiber NIR spectrometer. Food Research International 99 : 147-154.

상세보기

저자의 다른 논문 :

표제어: PCR

동의어: Packet Collision Rate

용어 설명 출처 목록 (6)

용어 설명: PCR은 세균 특이성이 있는 primer를 이용하여 적은 수의 세균이 있을지라도 쉽게 검출할 수 있는 유용한 방법이며, 이를 이용하여 구강 내 치면세균막이나 타액에서 직접 세균을 검출할 수 있게 되었다[8].

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증