基于荧光光谱与机器学习实现玉米多重霉菌毒素同步检测及可解释性分析

本刊推荐：本研究创新性地结合荧光光谱与机器学习技术，实现了玉米中黄曲霉毒素(AFLA)、脱氧雪腐镰刀菌烯醇(DON)、玉米赤霉烯酮(ZEA)和伏马毒素(FUM)的多重同步检测，突破传统单毒素检测局限。通过提出的信息消除法(Information Elimination Approach)验证模型依赖毒素特异性荧光波段，为食品安全现场快速检测提供了新范式。

　　

研究亮点

本研究首次实现了与欧盟限值浓度相关的多重霉菌毒素同步检测：黄曲霉毒素(3.5 μg/kg)、脱氧雪腐镰刀菌烯醇(1000 μg/kg)、玉米赤霉烯酮(55.0 μg/kg)和伏马毒素(1000 μg/kg)。最佳多标签分类准确率分别达到73%、91%、86%和96%。通过新型信息消除法识别出对分类最关键的光谱波段，证实模型学会了毒素特异性荧光特征，显著提升检测结果的可信度。

结论

本文研究了荧光光谱结合机器学习技术在玉米多重霉菌毒素检测中的应用潜力。我们成功实现了基于385 nm激发光检测黄曲霉毒素，395 nm激发光检测脱氧雪腐镰刀菌烯醇、玉米赤霉烯酮和伏马毒素的同步检测体系。该技术并非直接测量毒素荧光，而是通过分析霉菌毒素对玉米基质荧光特性的影响实现检测，为开发非破坏性、无需化学处理的快速筛查方法奠定基础。据作者所知，这是首次在符合欧盟法规限值的浓度水平上实现多重共存霉菌毒素的同步荧光光谱检测，为增强食品安全监管提供了创新技术路径。