基于LA-REIMS脂质组指纹与数据融合的机器学习技术实现山茶油多重掺假的快速精准鉴别

针对高价值山茶油(CAO)掺假鉴别难题，研究团队创新性结合激光辅助快速蒸发电离质谱(LA-REIMS)与GC等多维数据，通过低/中层次数据融合策略整合八种机器学习模型，建立准确率达99.56%的鉴别体系。该研究为食用油真实性检测提供了高通量、高精度的数字化解决方案，对保障食品安全和产业健康发展具有重要意义。

　　

在食用油市场中，被誉为"东方橄榄油"的山茶油(CAO)因其富含油酸和茶多酚等健康成分而备受青睐，但高昂的价格使其成为掺假重灾区。常见掺伪手段包括混入大豆油(SOO)、玉米油(COO)等低价油，这不仅损害消费者权益，更可能带来健康隐患。传统检测方法如气相色谱(GC)、傅里叶变换红外光谱(FTIR)等虽有一定效果，但面临样本前处理繁琐、低掺伪比例(<40%)检出困难等技术瓶颈。如何建立快速、精准的鉴别体系，成为保障山茶油产业健康发展的关键科学问题。

针对这一挑战，国内某研究团队在《LWT》发表创新性研究成果。研究采用激光辅助快速蒸发电离质谱(LA-REIMS)技术，结合GC、核磁共振(¹H NMR)和衰减全反射红外光谱(ATR-FTIR)等多维分析手段，通过机器学习(ML)算法和数据融合策略，构建了山茶油掺假鉴别新体系。研究团队从超市采购五种植物油(CAO、SOO、COO、SSO、PEO)制备0-50%掺伪样本，利用LA-REIMS平台在负离子模式下获取50-1500 m/z范围的脂质指纹图谱，结合GC分析脂肪酸组成，最终通过低/中层次数据融合整合八种ML模型进行判别分析。

3.1 脂肪酸组成分析
GC检测显示纯CAO中油酸含量高达77.31%，显著高于其他油样。掺伪后脂肪酸比例随掺入量呈规律性变化，但在掺伪比<40%时差异不显著，证实单一指标鉴别低比例掺假的局限性。

3.2 光谱特征分析
ATR-FTIR在3431 cm^-1(-C-H)、1745 cm^-1(-C=O)等特征峰处显示所有油样相似性高；¹H NMR在0.8-5.4 ppm区间虽能检测甘油三酯特征信号，但对微量掺伪成分响应不足。

3.5 LA-REIMS脂质指纹
技术优势在LA-REIMS分析中充分展现：在550-1000 m/z区间鉴定出40种脂质分子，包括[TG(54:3)+Na]⁺(m/z 907.82)等特征离子。CAO中三油酸甘油酯(OOO)占比达45.79%，而掺伪样本中亚油酸甘油酯(OLL)等标志物显著升高，为鉴别提供分子层面依据。

3.6 数据融合与机器学习
研究创新性地对比了八种ML模型性能，其中随机森林(RF)在中层次数据融合策略下表现最优，训练集准确率达99.24%，测试集达99.56%。相比单独使用LA-REIMS数据(准确率95.02%)或GC数据(86.89%)，中层次融合使低至5%的掺伪样本也能被准确识别。

这项研究的意义在于建立了"技术-数据-算法"三位一体的食用油鉴别新范式。LA-REIMS技术实现了分钟级检测，数据融合策略突破单一技术局限，而RF算法则赋予模型强大的模式识别能力。研究者进一步开发了实时检测系统LiveID?，对500个盲样验证显示97.8%的识别准确率。尽管工业场景部署仍面临设备成本高、数据分析流程自动化等挑战，但该研究为食品真实性检测提供了可推广的技术框架，对规范市场秩序、保障消费者权益具有重要实践价值。