生物传感器的新兴需求、应用扩展及技术最新进展——以鱼类水产养殖为焦点

《Chemosensors》:Emerging Needs, Expanding Applications, and Recent Technological Advances in Biosensors, Especially in Fish Aquaculture

【字体: 大 中 小 】 时间:2026年01月10日 来源:Chemosensors 3.7

编辑推荐:

  本研究评估了气调包装(MAP1: 60% CO2, 10% O2/30% N2 和 MAP2: 40% CO2, 30% O2/30% N2

  
本研究评估了气调包装(MAP1: 60% CO2, 10% O2/30% N2 和 MAP2: 40% CO2, 30% O2/30% N2)与作为天然防腐剂的牛至精油(1% v/w)活性包装联合使用对新鲜鲷鱼片质量和货架期延长的影响。样品在四种不同温度(0、4、8 和 12 °C)下储存,进行了微生物学分析、pH 测量和感官评价。同时,使用三种不同的光谱传感器(两台多光谱成像(MultiSpectral Imaging, MSI)设备和一台傅里叶变换红外光谱(Fourier-Transform Infrared, FT-IR)设备)获取光谱数据,并应用九种不同的机器学习回归模型来预测微生物计数。牛至精油对保鲜产生积极影响,将微生物生长减少了 0.5 至 2 log CFU/g,并根据感官评价将鱼片的货架期延长了长达 48 小时。关于传感器数据,所检验的九个模型在快速微生物评估方面表现出令人鼓舞的结果,其中 FT-IR 数据在评估微生物种群方面表现最佳。在所测试的算法中,最小角回归(Least Angle Regression, lars)在鱼肉和鱼皮数据集上均取得了最佳性能,均方根误差(Root Mean Squared Error, RMSE)分别为 0.6075 和 0.5953,平均绝对误差(Mean Absolute Error, MAE)分别为 0.3008 和 0.4567,决定系数(R2)分别为 0.8858 和 0.7532,准确率分别为 87% 和 91%。台式多光谱成像(Benchtop-MSI)在鱼肉上显示出最佳预测性能(RMSE = 0.5926,MAE = 0.4876,R2 = 0.7338,准确率 = 92%),而人工神经网络(artificial neural network, nnet)在鱼皮上表现最佳(RMSE = 0.6761,MAE = 0.5247,R2 = 0.6560,准确率 = 84%)。关于便携式多光谱成像(Portable-MSI),人工神经网络模型在鱼肉上取得了最高准确率(RMSE = 0.5908,MAE = 0.4663,R2 = 0.5903,准确率 = 87%),而主成分回归(principal component regression, pcr)对鱼皮最有效(RMSE = 0.6600,MAE = 0.5413,R2 = 0.5534,准确率 = 83%)。
**论文解读:基于光谱技术与机器学习预测气调包装结合牛至精油对鲷鱼片品质及货架期的影响**

**研究背景、问题与研究动机**
水产养殖在希腊已成为快速发展的产业,其中金头鲷(Sparus aurata)和欧洲鲈鱼是主要养殖品种。鱼类因其高水分、高pH及丰富营养,极易在加工、包装和储存过程中发生微生物腐败,导致大量食品浪费和经济损失。传统微生物检测方法(如培养法)耗时、费力且具有破坏性,无法实现实时监测。气调包装(MAP)虽能抑制微生物生长,但单独使用效果有限。天然化合物如牛至精油(EO)具有抗菌活性,可与MAP协同延长货架期。同时,光谱技术(如FT-IR、MSI)结合机器学习(ML)模型可实现快速、非侵入性的品质评估。然而,以往研究多采用单一线性模型(如偏最小二乘回归PLS-R),对复杂光谱数据的非线性关系捕捉不足。因此,本研究旨在评估两种MAP条件(MAP1: 60% CO2/10% O2/30% N2;MAP2: 40% CO2/30% O2/30% N2)与牛至精油(1% v/w)联合使用对鲷鱼片品质和货架期的影响,并基于FT-IR和MSI光谱数据,比较九种机器学习回归模型的预测性能,以确定最佳的非侵入性快速微生物污染评估方案。该论文发表于《Chemosensors》。

**主要关键技术方法**
研究人员从希腊合作伙伴“Philosofish S.A.”获取新鲜鲷鱼片,在无菌条件下切割、包装,并加入牛至精油(浸渍滤纸)。样品储存于0、4、8、12 °C等温条件下,定期进行微生物计数(总活菌数、假单胞菌属、产H2S菌等)、pH测量及感官评价。同时,使用两台多光谱成像设备(台式VideometerLab和便携式VideometerLite)以及一台FT-IR光谱仪(HATR附件)采集鱼片鱼肉面和鱼皮面的光谱数据。随后,应用九种监督机器学习回归模型(PLS、svmLinear、svmRadial、rf、knn、pcr、lars、ridge、nnet),经预处理(Savitzky–Golay平滑、SNV归一化、中心化与缩放)和多种交叉验证(k折、Bootstrap、留一法)后,以RMSE、MAE、R2和±1 log CFU/g准确率评估模型性能。

**研究结果**

**3.1 微生物分析**
研究发现,储存温度和气体组成是影响微生物生长的主导因素。假单胞菌属(Pseudomonas spp.)和产H2S菌(如腐败希瓦氏菌)是主要的腐败菌群,在所有温度下均占优势,最高达7.03 log CFU/g。牛至精油有效减缓了微生物活性,尤其在MAP2条件下效果更佳,使腐败微生物减少0.5–1.5 log CFU/g。低温(0 °C)和MAP2(40% CO2/30% O2/30% N2)组合最有利于控制微生物腐败。

**3.2 pH分析**
储存期间pH值保持相对稳定(6.0–7.1),未观察到显著变化(p > 0.05)。

**3.3 感官分析**
感官评价与微生物结果一致。牛至精油处理组在所有温度下均获得更高评分,未产生不可接受的气味。0 °C下MAP2+EO组保持了最佳感官特性。感官拒绝点确定的货架期:0、4、8、12 °C下分别约为10、8、4、3天(对照),而EO处理使货架期延长最多4天。

**3.4 MSI和FTIR光谱数据**
MSI光谱显示,新鲜与腐败样品的反射率存在明显差异:腐败鱼肉反射率升高,而鱼皮反射率下降。FT-IR光谱在1800–900 cm-1范围呈现与水分(O-H伸缩)、蛋白质(酰胺I、II)、脂肪(C=O酯羰基)等相关的特征峰,可作为代谢指纹监测腐败过程。

**3.5 微生物质量预测**
基于FT-IR数据的模型整体优于MSI模型。对于鱼肉,lars算法在FT-IR数据上取得最佳性能(RMSE=0.6075,MAE=0.3008,R2=0.8858,准确率87%)。台式MSI在鱼肉上以ridge回归表现最优(R2=0.7338,准确率92%),便携式MSI在鱼肉上以nnet最优(R2=0.5903,准确率87%)。模型性能因传感器、预处理和交叉验证策略而异,无统一“金标准”。

**讨论与结论**
讨论部分指出,假单胞菌和产H2S菌在MAP条件下仍占优势,这与部分文献不同,可能与高氧含量促进其生长有关。牛至精油的抗菌作用在低温和储存早期更强,通过挥发物释放实现,浓度(1% v/w)虽高于直接涂抹应用,但在活性包装系统中合理。感官与微生物结果高度相关,证实感官品质直接反映微生物活动。FT-IR模型优于MSI,可能因FT-IR提供更丰富的化学键信息。以往研究多仅用PLS-R,本研究证实非线性模型(如lars、nnet)可提升预测能力。

**结论翻译**
基于感官评价及微生物数据,新鲜鲷鱼片在0、4、8、12 °C下未经处理的样品货架期分别约为10、8、4、3天。添加1.0% (w/v)牛至精油将鱼片货架期延长了最多4天,具体取决于储存温度。预测模型的结果令人鼓舞,但不存在通用的“金标准”设置,因为没有任何单一的预处理、交叉验证策略和机器学习模型组合对所有数据集都有效。这种差异归因于数据集行为的差异,后者取决于传感器和光谱数据特征。为了提高模型的准确性和泛化能力,建议使用更大样本量和来自多个无关批次的数据来扩充数据集。该方法将有助于确认模型在实际工业场景中的稳健性和适用性。开发食品预测模型的另一个重要方面是环境因素(如细菌污染或处理条件变化)的影响,这些因素会改变材料的生物结构,并可能影响模型性能。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号