综述：水果和蔬菜中真菌感染和霉菌毒素污染的挥发性生物标志物：监测与预警的新兴靶点

本综述系统探讨了果蔬采后真菌侵染及霉菌毒素污染所释放的挥发性有机化合物（VOCs）作为非侵入性生物标志物的应用价值，重点分析了基于气相色谱-质谱（GC-MS）、电子鼻（E-nose）及生物传感器的检测技术，并展望了人工智能（AI）驱动下的机器学习（ML）与深度学习（DL）在病害预警中的整合潜力，为开发智能化采后病害管控体系提供理论支撑。

　　

Abstract

果蔬采后因真菌侵染导致的腐败及其引发的霉菌毒素污染，已成为威胁农业经济与食品安全的核心问题。近年来，由病原真菌与寄主互作过程中释放的挥发性有机化合物（Volatile Organic Compounds, VOCs），因其非侵入、可实时监测的特性，被广泛视为早期诊断病害与毒素风险的关键生物标志物。

病原与VOCs特征谱

常见采后致病真菌如青霉属（Penicillium）、曲霉属（Aspergillus）和灰霉属（Botrytis），在侵染果蔬过程中会释放出一系列特征性VOCs，包括醇类、酯类、萜烯类和含硫化合物。例如，灰霉病菌（Botrytis cinerea）侵染草莓时会大量释放1-辛烯-3-醇和乙酸乙酯；而黄曲霉（Aspergillus flavus）产毒过程中则伴随产生环己酮和2-庚酮等标志物。这些化合物不仅可作为病害种类判别依据，还可反映霉菌毒素（如黄曲霉毒素Aflatoxin、赭曲霉毒素Ochratoxin）的合成状态。

VOCs检测技术进展

当前VOCs检测主要依赖气相色谱-质谱联用技术（GC-MS），其高灵敏度与准确性为化合物鉴定提供金标准，但设备昂贵、操作复杂限制了现场应用。电子鼻（E-nose）系统通过传感器阵列对VOCs模式进行快速响应，适用于大批量样本的初筛，然而其分辨力与抗干扰能力仍待提升。新兴的生物传感器技术则利用功能化核酸或蛋白探针实现特异性VOCs捕获，在便携性与成本控制方面展现出潜力。

人工智能与预警模型

机器学习（ML）与深度学习（DL）算法正被广泛应用于VOCs数据的模式识别与病害预测。通过训练模型关联VOCs指纹与病害发展阶段，可实现早期侵染的精准诊断。例如，基于卷积神经网络（CNN）的模型可处理电子鼻多维信号，而支持向量机（SVM）常用于小样本条件下的分类预测。这些人工智能（AI）方法显著提升了复杂基质中VOCs biomarker的解析效率与预警可靠性。

未来展望

当前VOCs监测技术仍面临环境干扰、基质效应及传感器稳定性等挑战。未来研究需聚焦于开发高选择性传感材料、优化多模态数据融合算法，并推动便携式设备与物联网（IoT）技术的结合，以构建低成本、智能化的采后病害全程预警系统。