Eine anormale Glykolyserate im Muskel nach der Schlachtung ist einer der wichtigsten treibenden Faktoren für die Entstehung von heterogenem Fleisch (PSE/DFD). Phosphoglyceratkinase 1 (PGK1) und Pyruvatkinase M2 (PKM2) katalysieren jeweils zwei entscheidende substratebene Phosphorylierungsreaktionen während der Glykolyse, die bis zu einem gewissen Grad den energetischen Stoffwechsel nach der Schlachtung widerspiegeln können. In dieser Studie wurde Hammelfleisch untersucht, wobei die immunreaktiven Niveaus von PGK1 und PKM2 gemessen wurden. Ein zerstörungsfreies Bewertungsframework wurde entwickelt, das sichtbares- bis nahinfrarotes Hyperspektralbildgebung (Vis-NIR HSI) mit der zweidimensionalen Korrelationsspektroskopie (2D-COS) kombiniert, um die Analyse wichtiger Spektralbänder sowie die Modellinterpretierbarkeit zu verbessern. 2D-COS identifizierte fünf empfindliche charakteristische Bänder (476, 562, 605, 715 und 800 nm), deren spektrale Reaktion wahrscheinlich mit Veränderungen des Myoglobinzustands sowie dem Wasserbindungszustand bzw. Gewebestrukturunterschieden zusammenhängt. Es wurde ein systematischer Vergleich verschiedener Vorverarbeitungs- und Merkmalsextraktionsmethoden hinsichtlich der Vorhersageleistung mittels partieller kleinster Quadrate Regression (PLSR), Random Forest (RF) und Convolutional Neural Networks (CNN) durchgeführt. Die Ergebnisse zeigen, dass das CNN-Modell mit kombinierter Variablengruppenanalyse und iterativer Beibehaltung informativer Variablen (VCPA-IRIV) die beste Leistung erzielte: PGK1 Vorhersagegruppe R_P²=0,8920, RMSEP=38,3653, RPD=3,0935; PKM2 Vorhersagegruppe R_P²=0,9030, RMSEP=18,1778, RPD=3,2659. Basierend auf dem optimalen Modell wurde eine pixelgenaue Pseudofarbvisualisierung realisiert, die anschaulich die räumliche Heterogenität und dynamischen Veränderungen der Enzymspiegel in verschiedenen Lagerstufen darstellt. Die Studie zeigt, dass die Kombination von Vis-NIR HSI, 2D-COS und Deep-Learning-Methoden eine zerstörungsfreie Vorhersage der PGK1- und PKM2-Spiegel in Hammelfleisch ermöglicht und technische Unterstützung für die schnelle Einstufung metabolischer Indikatoren und Prozessüberwachung bietet.

sichtbares-nahinfrarotes Hyperspektrum; Hammelfleisch; Phosphoglyceratkinase 1; Pyruvatkinase M2; zweidimensionale Korrelationsspektroskopie; Deep Learning; zerstörungsfreie Prüfung