《Food Control》：Rapid prediction of deoxynivalenol in single barley kernels using short-wave infrared hyperspectral imaging and machine learning
编辑推荐：
•
非破坏性SWIR-HSI框架能够预测单个大麦籽粒中的脱氧雪腐镰刀菌毒素（DON）含量。
•
- •
非破坏性SWIR-HSI框架能够预测单个大麦籽粒中的脱氧雪腐镰刀菌毒素（DON）含量。
- •
随机森林模型实现了最佳的回归性能（测试R2 = 0.869）。
- •
通过共识特征选择，将272个波段缩减至8个关键波长（1097–1309纳米）。
- •
径向基函数支持向量机（RBF-SVM）在5 ppm浓度下实现了最优的二分类结果（准确率 = 0.926，宏观F1分数 = 0.904）。
- •
Tri5 DNA含量验证（R2 = 0.892）证实了预测结果的生物学相关性。
引言
大麦（Hordeum vulgare L.）是一种具有高经济价值的谷物作物，在麦芽制造、酿造、食品和饲料行业中被广泛使用。其中，谷物的安全性和籽粒质量是决定其最终用途适用性的关键因素。然而，大麦的生产和利用受到了镰刀菌穗枯病（FHB）的严重影响，这种病害主要由F. graminearum和F. culmorum引起，导致谷物品质下降，并在收获的籽粒中积累镰刀菌烯醇类霉菌毒素（Matengu等人，2024年）。在这些毒素中，脱氧雪腐镰刀菌毒素（DON）最为普遍且具有重要的经济意义，在主要生产区域的大麦样本中普遍存在，对人体和动物健康构成威胁。由于其毒性，全球已对DON制定了严格的监管限制。大多数针对人类食用未加工谷物的法规将其含量控制在1 ppm以内，尽管具体阈值因地区和用途而异（Lee等人，2023年）。这种监管趋同以及DON污染的普遍存在，凸显了在整个供应链中实施有效谷物安全监测的必要性。
DON在谷物中的污染具有高度异质性，这是因为Fusarium感染通常从开花期的单个小花开始，空气中孢子的随机沉积加上局部环境条件会导致籽粒间的真菌定殖和DON积累程度差异显著（Femenias等人，2020年）。这种现象在大麦中已有直接证据：对自然感染和人工感染Fusarium的大麦麦芽进行单籽粒分析后发现，不同籽粒间的毒素浓度差异明显，并且与视觉变色之间的相关性较弱（Habler等人，2018年）。此外，在FHB感染的大麦籽粒中，DON的积累在麦芽制作过程中可能会根据单籽粒感染程度的不同而大幅增加（Jin等人，2024年）。在一个看似污染程度较低的批次中，一小部分严重感染的籽粒（称为Fusarium受损籽粒，FDKs）可能会显著提高总毒素水平，从而可能导致整个批次的被拒收（Femenias等人，2022年）。因此，可靠的风险评估需要基于籽粒级别的数据，而非整体平均值，因为后者无法捕捉这种变异性。
尽管高效液相色谱（HPLC）、液相色谱-串联质谱（LC-MS/MS）和酶联免疫吸附测定（ELISA）等传统分析技术具有高精度和灵敏度，但它们具有破坏性、耗时且需要复杂的样品制备和实验室设施（Liang等人，2025年）。这些方法因此不适合进行高通量的单籽粒筛查。这些限制共同限制了传统方法在粮食储存、加工和育种等工业中的应用，这些领域需要快速、非破坏性和基于籽粒级别的评估方法。另外，开发一种快速检测单籽粒DON含量的方法的另一个重要原因是，大麦和小麦病理学家通常通过目视计数FDK的数量来评估FHB病的严重程度。然而，这种视觉评估方法存在主观性，并且与籽粒中Fusarium感染和DON积累的实际程度相关性较弱（Peiris等人，2010年）。
高光谱成像（HSI），特别是短波红外（SWIR）区域（1000-2500纳米），已成为满足这种非破坏性、基于籽粒级别评估需求的有希望的工具。通过结合空间和光谱信息，HSI能够捕捉与脂质、蛋白质和碳水化合物中的C-H、N-H和O-H振动相关的吸收特征，这些成分会受到Fusarium感染的影响（Erkinbaev等人，2017年；Femenias等人，2022年）。与之前主流的大麦DON研究使用的可见近红外（Vis-NIR，约400-1000纳米）区域相比（Fan等人，2023年；Su等人，2021年），SWIR区域能够获取这些相同键的基本吸收峰和次级吸收峰，虽然仪器成本稍高，但在化学特异性方面具有优势。传统的统计方法往往难以从HSI数据中提取有意义的信息，因为其维度高且复杂（Iqbal等人，2014年）。机器学习（ML）通过自动学习数据中的模式和关系，提供了更准确和高效的分析方式。结合ML技术，HSI已被应用于多种谷物霉菌毒素和质量问题的研究，包括玉米籽粒中黄曲霉素B1的定量（R2 = 0.99，RMSEP = 2.3 μg/kg，使用基于注意力的深度模型）（Zhang等人，2025年）、玉米青贮饲料中的黄曲霉素（Guo等人，2025年），以及更广泛的谷物种类中的品质特性，如蛋白质、水分、活力和品种鉴定（Liang等人，2025年）。对于DON而言，不同作物的HSI-ML分析深度存在显著差异。在小麦中，单籽粒DON的研究最为深入，既包括基于阈值的分类，也包括连续定量（Peiris等人，2010年）。在大麦中，之前的HSI-DON研究主要依赖于Vis-NIR范围（约380-1030纳米），重点是将籽粒分类为不同的DON类别，通常使用单一算法选择波长（Fan等人，2023年），而连续回归仅在有限的模型框架内进行探索（Su等人，2021年）。在燕麦中，NIR-HSI也被用于根据监管规定的DON和玉米赤霉酮限值对单个籽粒进行分类，其效果始终优于单独使用Vis-NIR光谱（Teixido-Orries等人，2026年），这反映了在谷物种类中扩展光谱覆盖范围以进行籽粒级别霉菌毒素评估的普遍趋势。因此，这类研究中存在三个共同问题：（i）缺乏现代回归框架之间的系统性对比；（ii）波长选择通常依赖于单一算法，而非多标准的一致性，限制了结果的可解释性和可转移性；（iii）光谱预测 seldom 与Fusarium感染的独立分子指标进行验证。
为了解决这些问题，本研究整合了单籽粒SWIR HSI、基于共识的波长选择方法和独立的分子验证，以实现对大麦中DON的籽粒级别评估。使用270个大麦籽粒及其配对的SWIR光谱和DON测量数据，研究目标包括：（i）比较四种回归模型（偏最小二乘回归（PLSR）、多层感知器（MLP）、随机森林（RF）和极端梯度提升（XGBoost）在连续单籽粒DON预测方面的表现；（ii）利用皮尔逊相关性、RF重要性和SHAP的共识确定关键波长，并评估简化特征模型与全光谱数据的表现；（iii）评估与监管阈值相匹配的二元、三元和四元分类策略；（iv）使用tri5 DNA含量作为Fusarium感染的独立分子标志物，对优化模型进行生物学验证。这项工作的主要贡献不在于单一组件，而在于将可解释的波长选择与基于tri5的分子验证相结合，从而将光谱预测与生物基础联系起来，而不仅仅是将其视为纯统计关联。
章节片段
样本和材料
大麦样本来自Pinnacle品种（六行春麦类型），2023年在北达科他州Minot的自然感染田间收获，感染发生在环境条件下。未进行人工接种。籽粒是从自然感染的田间样本中随机选取的，事先不知道各个籽粒的DON含量。使用的试剂和材料包括：乙腈（VWR International，Radnor，PA，美国）和C18/氧化铝柱。
大麦籽粒中DON含量的分布
图1显示籽粒DON浓度分布高度偏态，呈右尾分布，大多数籽粒的DON含量较低，只有少数籽粒的DON含量极高。籽粒DON浓度范围为0至286.2 ppm，中位数为1.25 ppm，四分位间距为4.53 ppm，这表明大多数籽粒的DON含量较低，而少数籽粒的DON含量异常高。这种明显的长尾分布反映了...
结论
本研究通过整合SWIR-HSI、机器学习（ML）和tri5 DNA含量的独立生物证据，建立了一个经过验证的、基于籽粒级别的非破坏性DON评估框架。在DON定量预测方面，主要贡献是一个生理化学上可解释的八波长回归模型，该模型超越了纯统计的光谱-DON关联，为基于籽粒级别的霉菌毒素定量提供了可转移的、基于生物学基础的方法。
CRediT作者贡献声明
Tian Sun：撰写——原始草稿，可视化，概念构思。 Tianyi Zheng：方法论。 Chaofan Sun：研究实施。 Minwei Xu：撰写——审稿与编辑，资源协调，概念构思。 Changhui Yan：资源提供。 Zhao Jin：撰写——审稿与编辑，监督，资金争取。
利益冲突声明
作者确认他们没有已知的可能影响手稿的财务利益或个人关系。
利益冲突声明
作者确认他们没有已知的可能影响手稿的财务利益或个人关系。
致谢
本工作得到了美国农业部根据协议编号59-0206-2-123（与美国小麦和大麦枯萎病倡议USWBSI合作）以及协议编号59-3060-5-001的支持。
