Original Title: Evaluation of the gamma-aminobutyric acid (GABA) content of soybean and mungbean by Near Infrared Spectroscopy
Source: doi.org/10.14456/thaidoa-agres.2016.6
Disclaimer: Summary generated by AI based on the provided document. Please refer to the original paper for full scientific accuracy.

ការវាយតម្លៃបរិមាណអាស៊ីតហ្គាម៉ាអាមីណូប៊ុយទីរិច (GABA) នៅក្នុងសណ្តែកសៀង និងសណ្តែកបាយដោយប្រើបច្ចេកវិទ្យា Near Infrared Spectroscopy

ចំណងជើងដើម៖ Evaluation of the gamma-aminobutyric acid (GABA) content of soybean and mungbean by Near Infrared Spectroscopy

អ្នកនិពន្ធ៖ Anuwat Rattanachai (Postharvest and Processing Research and Development Office, Department of Agriculture), Charuwan Bangwaek (Postharvest and Processing Research and Development Office, Department of Agriculture)

ឆ្នាំបោះពុម្ព៖ 2016, Thai Agricultural Research Journal

វិស័យសិក្សា៖ Agricultural Science

១. សេចក្តីសង្ខេបប្រតិបត្តិ (Executive Summary)

បញ្ហា (The Problem)៖ វិធីសាស្ត្រធម្មតាក្នុងការវាស់វែងបរិមាណ GABA នៅក្នុងគ្រាប់ធញ្ញជាតិ (ដូចជាការប្រើ HPLC) ត្រូវការពេលវេលាយូរ មានភាពស្មុគស្មាញ និងបំផ្លាញគំរូ។ ការសិក្សានេះមានគោលបំណងស្វែងរកវិធីសាស្ត្រដែលមិនបំផ្លាញគំរូ និងមានភាពរហ័សដោយប្រើប្រាស់បច្ចេកវិទ្យា Near Infrared Spectroscopy (NIRS) ដើម្បីវាយតម្លៃបរិមាណ GABA ក្នុងគ្រាប់សណ្តែកសៀងនិងសណ្តែកបាយ។

វិធីសាស្ត្រ (The Methodology)៖ ការសិក្សាបានប្រើប្រាស់បច្ចេកវិទ្យាស្កែន NIRS ធៀបជាមួយនឹងវិធីសាស្ត្រវិភាគតាមមន្ទីរពិសោធន៍ HPLC ដើម្បីបង្កើតម៉ូដែលគណិតវិទ្យាទស្សន៍ទាយបរិមាណ។

លទ្ធផលសំខាន់ៗ (The Verdict)៖

២. ការវិភាគលើប្រសិទ្ធភាព និងដែនកំណត់ (Performance & Constraints)

វិធីសាស្ត្រ (Method) គុណសម្បត្តិ (Pros) គុណវិបត្តិ (Cons) លទ្ធផលគន្លឹះ (Key Result)
Near Infrared Spectroscopy (NIRS) with PLS Regression
បច្ចេកវិទ្យា Near Infrared Spectroscopy (NIRS) រួមជាមួយការវិភាគ PLS
វិធីសាស្ត្រនេះមានភាពរហ័ស មិនបំផ្លាញគំរូសាកល្បង (non-destructive) មិនប្រើប្រាស់សារធាតុគីមីពុល និងជួយសន្សំសំចៃការចំណាយក្នុងរយៈពេលវែងសម្រាប់ការវិភាគទ្រង់ទ្រាយធំ។ ត្រូវការទុនវិនិយោគដំបូងខ្ពស់ក្នុងការទិញម៉ាស៊ីនស្កែន និងទាមទារការបង្កើតម៉ូដែល (Calibration) ដែលពឹងផ្អែកលើទិន្នន័យពីវិធីសាស្ត្រស្តង់ដារដូចជា HPLC ដដែល។ អាចទស្សន៍ទាយកម្រិត GABA ក្នុងសណ្តែកសៀងបានយ៉ាងល្អ (R² = 0.82, SEP = 2.80 mg/100g) និងសណ្តែកបាយ (R² = 0.81, SEP = 2.02 mg/100g)។
High Performance Liquid Chromatography (HPLC)
ក្រូម៉ាតូក្រាហ្វីរាវកម្រិតខ្ពស់ (HPLC)
ផ្តល់លទ្ធផលសុក្រឹតខ្ពស់បំផុត និងត្រូវបានទទួលស្គាល់ជាស្តង់ដារអន្តរជាតិ (Reference method) សម្រាប់ការវិភាគបរិមាណសារធាតុគីមីលម្អិត។ ត្រូវការពេលវេលាយូរ មានភាពស្មុគស្មាញក្នុងការរៀបចំគំរូ ត្រូវប្រើប្រាស់សារធាតុគីមីរំលាយ និងធ្វើឱ្យខូចខាតដល់គំរូសាកល្បង (destructive)។ ត្រូវបានប្រើប្រាស់ជាទិន្នន័យគោលសម្រាប់ផ្ទៀងផ្ទាត់ (Actual value) ក្នុងការធ្វើ Calibration និង Validation ម៉ូដែល NIRS ។

ការចំណាយលើធនធាន (Resource Cost)៖ ការអនុវត្តបច្ចេកទេសនេះទាមទារការវិនិយោគលើឧបករណ៍មន្ទីរពិសោធន៍កម្រិតខ្ពស់ កម្មវិធីវិភាគទិន្នន័យ និងអ្នកជំនាញបច្ចេកទេស។

៣. ការពិនិត្យសម្រាប់បរិបទកម្ពុជា/អាស៊ីអាគ្នេយ៍

ភាពលំអៀងនៃទិន្នន័យ (Data Bias)៖

ការសិក្សានេះប្រមូលទិន្នន័យគំរូពីខេត្តឈៀងម៉ៃ ឡុបបុរី ឆៃណាត និងទីផ្សារនានាក្នុងប្រទេសថៃ ចន្លោះឆ្នាំ ២០១៣-២០១៥។ សម្រាប់កម្ពុជា ពូជសណ្តែកសៀង និងសណ្តែកបាយអាចមានលក្ខណៈរូបសាស្ត្រ និងការឆ្លើយតបនឹងបរិយាកាសដាំដុះខុសគ្នា ដែលទាមទារឱ្យមានការប្រមូលទិន្នន័យគំរូក្នុងស្រុកដើម្បីធ្វើ Calibration ម៉ូដែលនេះឡើងវិញ ទើបធានាបានភាពសុក្រឹត។

លទ្ធភាពនៃការអនុវត្ត (Applicability)៖

បច្ចេកវិទ្យា NIRS នេះមានសក្តានុពលខ្ពស់សម្រាប់វិស័យកសិកម្ម និងការកែច្នៃម្ហូបអាហារនៅកម្ពុជា ជាពិសេសក្នុងការវាយតម្លៃគុណភាពកសិផលដោយមិនបំផ្លាញ។

សរុបមក ការវិនិយោគលើបច្ចេកវិទ្យា NIRS នឹងជួយពន្លឿនការស្រាវជ្រាវ និងលើកកម្ពស់ស្តង់ដារត្រួតពិនិត្យគុណភាពកសិផលនៅកម្ពុជាឱ្យកាន់តែមានប្រសិទ្ធភាព និងភាពប្រកួតប្រជែង។

៤. ផែនការសកម្មភាពសម្រាប់និស្សិត (Actionable Roadmap)

ដើម្បីអនុវត្តតាមការសិក្សានេះ និស្សិតគួរអនុវត្តតាមជំហានខាងក្រោម៖

  1. សិក្សាស្វែងយល់ពីបច្ចេកវិទ្យា NIRS និង Chemometrics: និស្សិតត្រូវស្វែងយល់ពីគោលការណ៍នៃពន្លឺ Near Infrared និងការប្រើប្រាស់ស្ថិតិគណិតវិទ្យា (ឧទាហរណ៍៖ Partial Least Squares - PLS) ដើម្បីទាញយកទិន្នន័យពី Spectra។
  2. ប្រមូលគំរូកសិផលក្នុងស្រុក: ចុះប្រមូលគំរូសណ្តែកសៀង និងសណ្តែកបាយពីខេត្តគោលដៅសំខាន់ៗ (ឧទាហរណ៍៖ បាត់ដំបង កំពង់ចាម ព្រះវិហារ) ឱ្យបានយ៉ាងហោចណាស់ ២០០ ទៅ ៣០០ គំរូ ដើម្បីធានាភាពតំណាងនៃទិន្នន័យ។
  3. អនុវត្តការវិភាគស្តង់ដារ និងការស្កែនទិន្នន័យ: ធ្វើការស្កែនគំរូទាំងអស់ដោយប្រើម៉ាស៊ីនស្កែន NIRS និងស្របពេលជាមួយគ្នានោះ ត្រូវបញ្ជូនគំរូមួយផ្នែកទៅមន្ទីរពិសោធន៍ដើម្បីវិភាគរកកម្រិត GABA ជាក់ស្តែងដោយប្រើប្រាស់ម៉ាស៊ីន HPLC
  4. បង្កើតម៉ូដែល និងផ្ទៀងផ្ទាត់ភាពត្រឹមត្រូវ: ប្រើប្រាស់កម្មវិធីកុំព្យូទ័រដូចជា The Unscrambler ឬសរសេរកូដក្នុង Python (Scikit-learn) ដើម្បីភ្ជាប់ទិន្នន័យ Spectra ជាមួយទិន្នន័យ HPLC បង្កើតជាម៉ូដែលទស្សន៍ទាយ (Calibration) និងវាស់ស្ទង់កម្រិតលម្អៀង (Validation)។
  5. សាកល្បងនិងដាក់ពង្រាយការប្រើប្រាស់ជាក់ស្តែង: សហការជាមួយសហគ្រាសកែច្នៃ ឬមន្ទីរពិសោធន៍ជាតិ ដើម្បីសាកល្បងប្រើម៉ូដែលនេះក្នុងការត្រួតពិនិត្យគុណភាពគ្រាប់ធញ្ញជាតិប្រចាំថ្ងៃ ដោយមិនបាច់ពឹងផ្អែកលើសារធាតុគីមីដែលមានតម្លៃថ្លៃទៀតទេ។

៥. វាក្យសព្ទបច្ចេកទេស (Technical Glossary)

ពាក្យបច្ចេកទេស ការពន្យល់ជាខេមរភាសា (Khmer Explanation) និយមន័យសាមញ្ញ (Simple Definition)
Gamma-aminobutyric acid (GABA) (អាស៊ីតហ្គាម៉ាអាមីណូប៊ុយទីរិច) សារធាតុបញ្ជូនសរសៃប្រសាទដែលមានតួនាទីជួយរារាំង និងកាត់បន្ថយភាពតានតឹងក្នុងប្រព័ន្ធសរសៃប្រសាទកណ្តាល ដែលជារឿយៗត្រូវបានរកឃើញក្នុងបរិមាណខ្ពស់នៅពេលគ្រាប់ធញ្ញជាតិចាប់ផ្តើមដុះពន្លក។ ដូចជា 'ហ្វ្រាំង' នៅក្នុងខួរក្បាលដែលជួយបញ្ឈប់ការគិតខ្វាយខ្វល់ច្រើន និងធ្វើឱ្យរាងកាយមានអារម្មណ៍ស្ងប់ស្ងាត់និងសម្រាកបានល្អ។
Near Infrared Spectroscopy (NIRS) (នីអ៊ែរ អ៊ីនហ្វ្រារ៉េដ ស្ប៉ិកត្រូស្កូពី) បច្ចេកទេសវិភាគដោយមិនបំផ្លាញគំរូ ដោយប្រើប្រាស់ពន្លឺរលកអាំងហ្វ្រារ៉េដជិត (800-2500 nm) ដើម្បីវាស់កម្រិតនៃការស្រូបយកពន្លឺរបស់ម៉ូលេគុលក្នុងសារធាតុ រួចទាញយកមកគណនាជាទិន្នន័យដើម្បីទស្សន៍ទាយបរិមាណសមាសធាតុគីមី។ ដូចជាការយកពិលទៅបញ្ចាំងកាត់បាតដៃដើម្បីមើលសរសៃឈាម ឬឆ្អឹងខាងក្នុង ដោយមិនបាច់វះកាត់មើលផ្ទាល់។
High Performance Liquid Chromatography (HPLC) (ក្រូម៉ាតូក្រាហ្វីរាវកម្រិតខ្ពស់) ឧបករណ៍មន្ទីរពិសោធន៍ប្រើសម្រាប់បំបែក កំណត់អត្តសញ្ញាណ និងវាស់បរិមាណសមាសធាតុគីមីនីមួយៗនៅក្នុងល្បាយរាវមួយយ៉ាងសុក្រឹត ដែលជារឿយៗត្រូវបានប្រើជាវិធីសាស្ត្រស្តង់ដារគោល (Reference method)។ ដូចជាម៉ាស៊ីនរាប់កាក់ដែលអាចបែងចែក និងរាប់កាក់ ១០០រៀល ៥០០រៀល និង ១០០០រៀល ដែលលាយឡំគ្នានៅក្នុងធុងតែមួយបានយ៉ាងត្រឹមត្រូវ។
Partial Least Square Regression (PLSR) (តំរែតំរង់ការ៉េអប្បបរមាដោយផ្នែក) វិធីសាស្ត្រស្ថិតិគណិតវិទ្យាក្នុងការវិភាគទិន្នន័យគីមី (Chemometrics) ដែលប្រើដើម្បីស្វែងរកទំនាក់ទំនងរវាងអថេរពីរក្រុម (ដូចជាទិន្នន័យពន្លឺ NIRS និងបរិមាណ GABA ពិតប្រាកដ) ដើម្បីបង្កើតជារូបមន្តទស្សន៍ទាយ។ ដូចជាការរៀនកត់សម្គាល់ពីទំនាក់ទំនងរវាងពណ៌មេឃ (ស្រទុំ ឬខ្មៅ) ទៅនឹងបរិមាណទឹកភ្លៀងដែលធ្លាប់ធ្លាក់កន្លងមក ដើម្បីយកទៅទាយពីអាកាសធាតុនៅថ្ងៃស្អែក។
Calibration set and Validation set (សំណុំទិន្នន័យសម្រាប់តម្រូវ និងសំណុំទិន្នន័យសម្រាប់ផ្ទៀងផ្ទាត់) ការបែងចែកទិន្នន័យគំរូជាពីរក្រុម៖ មួយក្រុម (Calibration) សម្រាប់បង្រៀនម៉ូដែលកុំព្យូទ័រឱ្យចេះទស្សន៍ទាយ និងមួយក្រុមទៀត (Validation) សម្រាប់ធ្វើតេស្តសាកល្បងថាតើម៉ូដែលនោះទស្សន៍ទាយបានត្រឹមត្រូវកម្រិតណានៅពេលជួបគំរូថ្មី។ ដូចជាការចែកលំហាត់ជាពីរផ្នែក៖ មួយផ្នែកសម្រាប់ឱ្យសិស្សរៀនធ្វើជាឧទាហរណ៍ក្នុងថ្នាក់ និងមួយផ្នែកទៀតទុកសម្រាប់ចេញវិញ្ញាសាប្រឡងដើម្បីវាស់ស្ទង់សមត្ថភាពពិតប្រាកដ។
Standard Error of Prediction (SEP) (កម្រិតលម្អៀងស្តង់ដារនៃការទស្សន៍ទាយ) រង្វាស់ស្ថិតិដែលបង្ហាញពីកម្រិតនៃការខុសគ្នា ឬភាពលម្អៀងជាមធ្យមរវាងតម្លៃដែលបានទស្សន៍ទាយដោយម៉ូដែល NIRS និងតម្លៃពិតប្រាកដដែលវាស់ដោយឧបករណ៍ស្តង់ដារ (HPLC)។ ដូចជាការបាញ់ព្រួញទៅកាន់ផ្ទាំងស៊ីប បើព្រួញឃ្លាតពីចំណុចកណ្តាលកាន់តែតិច (SEP ទាប) មានន័យថាអ្នកបាញ់កាន់តែមានភាពសុក្រឹតនិងច្បាស់លាស់។

៦. ប្រធានបទពាក់ព័ន្ធ (Further Reading)

អត្ថបទដែលបានបោះពុម្ពនៅលើ KhmerResearch ដែលទាក់ទងនឹងប្រធានបទនេះ៖

ប្រធានបទ និងសំណួរស្រាវជ្រាវដែលទាក់ទងនឹងឯកសារនេះ ដែលអ្នកអាចស្វែងរកបន្ថែម៖