基于4-MU@ZIF-8@PLA-PEG的多功能比率荧光柔性传感器在食品安全中广谱抗生素检测的应用研究

针对食品安全中抗生素残留快速检测的难题，研究人员开发了一种基于4-MU@ZIF-8@PLA-PEG复合材料的比率荧光柔性传感器，实现了广谱抗生素的高灵敏度检测。该传感器通过优化光谱预处理和变量选择算法，显著提升了模型预测性能（SEVal降低0.08），为工业化近红外光谱（NIRS）技术在农产品检测中的应用提供了新思路。

　　

随着全球对可再生能源需求的增长，作物秸秆作为生物质能源的重要来源，其高值化利用成为研究热点。然而，秸秆原料性质差异大、实时监测困难等问题，严重制约了其工业化转化进程。传统分析方法如工业分析（proximate analysis）和热重分析（TGA）存在周期长、成本高等缺陷，难以满足工业化需求。近红外光谱（NIRS）技术虽在实验室环境中表现优异，但工业化设备的模型差异和优化策略尚不明确，成为制约技术推广的瓶颈。

中国农业大学的研究团队在《Microchemical Journal》发表论文，通过对比实验室与工业化NIRS设备在相同秸秆样本集下的建模差异，系统评估了25种光谱预处理组合和7种变量选择算法对挥发性物质（VM）和灰分（Ash）预测模型的影响。研究采集了全国12个省份250份秸秆样本，涵盖水稻、小麦等5类作物，使用MPA（实验室设备）和SupNIR-2750（工业化设备）采集光谱数据。通过多视角可视化分析发现：工业化设备对VM的预测性能优于实验室设备（SE_Val=0.42），而两者对Ash预测精度相当；变量选择算法的适用性因设备类型和检测指标而异，例如实验室设备需组合多种算法提升VM模型稳定性，而工业化设备对Ash预测无需额外优化。

关键技术包括：1）跨区域秸秆样本采集（12省份5类作物）；2）双平台NIRS数据采集（MPA与SupNIR-2750）；3）25种光谱预处理组合优化；4）7种变量选择算法（如CARS、VIP）的系统比较；5）基于变量重要性（VI）和回归系数的模型可视化解析。

研究结果显示：1）预处理组合DTD-SG使实验室设备VM预测SE_Val降低0.08；2）工业化设备对VM预测的R²达0.91，显著高于实验室设备的0.83；3）变量选择算法对Ash模型的提升效果有限，全光谱模型反而更稳定；4）多算法集成可提高实验室设备VM预测的SE_Val，但对工业化设备Ash模型无显著改善。

结论表明，工业化NIRS设备在秸秆成分检测中具有独特优势，但需根据目标成分（VM或Ash）和设备类型定制建模策略。该研究为秸秆能源化利用的工业化监测提供了模型支持，揭示了实验室与工业化设备在光谱建模中的本质差异，对推动生物质能源大规模应用具有重要意义。研究同时强调，过度依赖变量选择可能引入过拟合风险，未来需结合材料特性与仪器适用性开展针对性优化。