用于食用油安全的框架材料：基质耐受性传感、富集与污染物去除的进展

《TRENDS IN FOOD SCIENCE & TECHNOLOGY》：Framework materials for edible oil safety: Advances in matrix-tolerant sensing, enrichment, and contaminant removal

　　

# 翻译

**要点概览**

- 以基质为中心的分析框架将传感、富集、去除和解毒四个环节有机衔接。
- 金属有机框架（MOFs）和共价有机框架（COFs）针对食用油的高黏度、非极性和脂质干扰问题提出了系统解决方案。
- 双重识别与多模态读出的结合实现了超灵敏的食用油分析。
- 框架纳米反应器将吸附与催化降解污染物功能集于一体。
- 标准化的方法验证与食品接触安全性评价规范了产业化转化路径。

## 引言

食用油是人体获取必需脂肪酸和脂溶性微量营养素的主要膳食来源。食用油的分析涵盖多种类型的安全相关危害物、与劣变相关的质量指标以及内源性基质成分，每一类都对整个供应链中的分析监测和纯化提出了不同挑战。农业和储存阶段的污染包括霉菌毒素，其中以黄曲霉毒素B1（AFB1）最为典型（Wu, Li等，2023）；油料作物生产过程中的农药使用则造成食用油中农药残留的风险（Mao等，2019）。加工环节是另一个主要的污染来源。高温煎炸和熏烤过程中，脂质热解会产生苯并[a]芘及其他多环芳烃（PAHs）。在精炼和热加工食用油中已报道检出氯丙醇类物质。丙烯酰胺是碳水化合物含量较高的食品在煎炸过程中天冬酰胺与还原糖发生类Maillard反应形成的产物，在重复使用的煎炸油中也可检出。环境及材料接触污染方面，包装物中的邻苯二甲酸酯类可迁移至食用油中（Zhao等，2021）；全氟和多氟烷基物质以及多氯联苯则通过环境蓄积进入或残留在油脂基质中（Han等，2024；Yazdani等，2025）。内源性作物来源毒性物质的代表是棉酚，其来源于棉籽，可能存在于棉籽油中（Li等，2024；Li, Liao, & Chen, 2025）。游离脂肪酸含量和氧化指标反映油脂的水解性和氧化性劣变程度（Yilmaz & Erden, 2019）。天然色素以及在部分油脂中存在的胆固醇属于影响分析干扰或纯化选择性的基质成分（Yilmaz等，2019, 2020）。上述外源性污染物所构成的健康风险涵盖致癌性、内分泌干扰、免疫毒性、神经毒性和肝肾毒性，促使全球各国不断收紧最大残留限量标准（Cheng等，2021；Sohrabi等，2022；Wu, Li等，2023）。气相色谱-串联质谱（GC-MS/MS）和液相色谱-串联质谱（LC-MS/MS）能够满足上述有机污染物分析所需法规灵敏度阈值，但高昂的设备成本、多步样品前处理和较慢的分析周转限制了通量（Ling等，2023；Mao等，2019）。免疫分析及相关快速检测平台提供了较低成本的现场替代方案（Ling等，2023），然而无论是仪器法还是快速方法，在应用于食用油基质时均面临多重叠加困难。高黏度阻碍分析物扩散，非极性特征加剧基质效应，丰富的脂质物种既干扰萃取回收率又干扰信号产生，这些因素的综合作用使食用油基质明显区别于水基或半固体食品基质（Mao等，2019）。因此，亟需一种将分子识别选择性基质耐受性相结合的材料平台。

金属有机框架（MOFs）是由金属离子或簇团与多齿有机配体通过配位键组装而成的结晶多孔网络（Wu, Li等，2023）。共价有机框架（COFs）则是通过共价连接将有机构建单元组装为有序结晶多孔网络（Ling等，2023）。这两类材料均可具有极高的比表面积，而它们的孔道结构、化学功能性和稳定性可通过在MOFs中选择金属节点和有机连接体、在COFs中选择单体和连接方式来进行调控（Khan等，2021；Ling等，2023；Wu, Li等，2023）。这些结构变量对性能的影响因框架的用途不同而异——传感、富集或污染物去除各有侧重。在传感方面，可及的识别位点和框架-分析物相互作用影响选择性，而电子或光物理偶联则主导信号转导（Wu, Li等，2023）。因此，分析性能取决于分子识别与高效信号转导通路的整合。在富集方面，孔道的可及性、尺寸匹配和表面亲和性影响目标物的摄取和基质的排除，而在高黏度、富含甘油三酯的油脂基质中，高效传质尤为重要（Ling等，2023；Mao等，2019）。在污染物去除方面，孔道结构和表面化学影响吸附容量、亲和力和选择性（Mohan, 2024；Mohan等，2025）。然而，对于食用油而言，纯化性能的评价还需考虑对有益内源性成分的保留（Yilmaz & Erden, 2019）。催化体系则要求污染物转化活性位点具有良好的可及性（Fu等，2024；Zhu等，2025）。在一项针对水中全氟和多氟烷基物质（PFAS）去除的计算研究中，Abakar等（2026）将密度泛函理论与机器学习相结合，利用结构、电子和热力学描述符筛选功能化COFs。

近年来在食用油基质中开展的示范工作展现了含框架材料混合平台的多样性。一种磁性分子印迹聚合物（MIP）-适体夹心传感器在粗制食用油中无需前处理即可直接定量测定AFB1（Wang等，2026）。在催化转化方面，PL-葡萄糖氧化酶（GOx）-Fe3O4@COF体系在花生油中选择性捕获并降解AFB1，效率是游离GOx和Fe3O4纳米粒子的6倍，且转化产物的细胞毒性显著降低（Fu等，2024）。嵌有PCN-222(Mn)的真菌菌丝膜将吸附、类漆酶氧化和光催化联合作用，在无外源H2O2条件下实现赭曲霉毒素A的转化（Zhu等，2025）。而一种深度学习辅助的COFs-Au@AgNPs表面增强拉曼散射（SERS）平台在离心获得的特级初榨橄榄油乙腈提取物中实现了三种新烟碱类农药的皮摩尔级检出限（Wu等，2025）。这些研究展示了在食用油基质中识别、分析、捕获和催化转化的不同组合方式。

此前关于配位框架材料在食品安全中应用的相关综述可分为两大类。一类涵盖基于MOFs的光学和电化学传感器用于霉菌毒素、农药残留和重金属的检测（Cheng等，2021；Wu, Li等，2023）。另一类考察包括MOFs、COFs和分子印迹聚合物在内的多孔纳米材料在多种食品基质中痕量分析物前处理和快速检测中的应用（Ling等，2023）。当前综述存在三个明显缺口：其一，现有工作以检测为主导，去除和催化转化受到的关注有限；其二，以往综述未将食用油的黏度高、非极性和脂质干扰限制作为反复使用的评价标准加以处理；其三，COFs和计算方法——从密度泛函理论吸附能计算、机器学习信号解释到非共价相互作用的量子化学建模——尚缺乏系统整合。

本综述针对上述三个缺口，整合了检测、萃取富集和污染物消除三大方向。油脂基质的约束条件作为评价标准贯穿各章节。COFs与MOFs并列获得专门论述。在计算方法的讨论中，涵盖密度泛函理论计算和机器学习信号解释等能为材料设计或分析性能提供指导的内容，并设专章讨论智能信号分析与转化就绪性。这些要素共同构建了一个以基质为中心的框架，将食用油主要危害物与信号转导、目标富集、污染物消除以及交叉性的计算和便携分析工具联系起来（图1）。覆盖范围从霉菌毒素到多环芳烃、农药残留和持久性污染物，并延伸至与劣变相关的质量指标以及在内源性基质成分涉及分析干扰或纯化选择性时的相关内容。

---

## 章节片段

### 综述方法学

本文以叙述性批判综述的方式撰写。2026年3月通过Web of Science全数据库平台的高级检索功能，使用主题字段进行了结构化的系统文献检索。主要检索式中未设定固定发表年份限制。检索概念涵盖四个方面：(1) 配位框架及相关材料；(2) 食用油基质、相关污染物和油脂质量指标；(3) 传感、识别、萃取、富集；以及相应的分析方法和应用。

### 脂质基质中AFB1的多途径荧光转导

配位框架材料为脂质基质中AFB1的荧光转导提供了多条不同途径，每条途径采用不同的策略来应对目标分析物和油脂基质产生的光谱干扰。Eu-TCPP通过天线效应将配体吸收的能量传递给Eu3+，将发射峰定位在617 nm处，从而将信号置于AFB1自身荧光窗口（400–500 nm）之外（Liu, Zhao等，2024）。该平台实现了60秒内免抗体传感，灵敏度达到极低水平。

### MOFs辅助食用油中PAHs的分析与富集

MIL-101系列MOFs为食用油中痕量苯并[a]芘（BaP）测定提供了两条互补途径。其分析性能可参照欧盟委员会法规(EU) 2023/915进行评价，该法规对BaP设定最大限量为2.0 μg/kg，对PAH4（四种标记多环芳烃的总和）设定最大限量为10 μg/kg。MIL-101(Fe)在油样萃取后可作为MALDI-TOF基质使用，分析在1分钟内完成，报告检出限为0.1 μg/L。验证研究表明该方法准确可靠。

### 基于尺寸选择性和π共轭增强的MOF吸附剂用于植物油中农药的萃取与去除

食用植物油黏度高、组成强非极性，给痕量农药分析带来了持续的净化挑战。有序孔道结构通过将尺寸排除效应与化学选择性相结合来解决这些困难，以UiO-66基有机磷农药萃取为例。UiO-66从正己烷稀释的植物油中选择性吸附有机磷农药，其微孔限制了大体积基质成分的进入，从而有效分离目标物。

### MOF限域钙钛矿与比率校正法用于酸值荧光传感

酸值是食用油水解劣变的标准指标，其检测面临两个相互关联的困难。钙钛矿纳米晶对外部条件敏感，尤其是紫外线照射和水暴露；单一发射读数易受周围环境变化和信号噪声波动的影响。在ZIF-8内原位生长亚5 nm CsPbBr3纳米晶显著提高了其在紫外线照射和水暴露条件下的稳定性，相对于未保护的纳米晶表现出明显优势。

### 框架基及配位传感器中数据驱动的信号解释用于食用油分析

配位材料传感器信号正从人工化学计量解释向数据驱动建模转变，算法选择取决于将信号维度与分析目标相匹配。高维光谱数据需要序列感知架构。一种COFs-Au@AgNPs SERS传感器配合改进型Informer深度学习模型（S-informer），在特级初榨橄榄油乙腈提取物中实现了三种新烟碱类混合农药100%的分类准确率。

---

## 结论与展望

MOFs、COFs及其功能化复合材料已在食用油安全评估与控制中的传感、萃取和脱污应用中得到全面考察。除分析灵敏度和污染物去除效率外，油脂质量指标和微量营养素保留率也被视为评估实用选择性的关键标准。所考察的主要功能包括污染物信号转导、目标萃取富集、催化降解以及内源性成分保留。计算工具——从密度泛函理论描述符筛选到机器学习信号分类——提供了加速材料设计的加速途径。展望产业化转化，需要建立标准化的方法验证方案、食品接触安全性评价体系和现场便携设备适配方案，以推动框架材料从实验室研究走向实际应用。

---

## 利益冲突声明

作者声明不存在已知的可能影响本文所述工作的财务利益或个人关系冲突。

## 致谢

本研究受重庆市科技局自然科学基金项目（项目编号：CSTB2024NSCQ-MSX1202）和重庆市科技局技术创新与应用发展重点项目（项目编号：CSTB2023TIAD-KPX0027）资助。

## 作者

刘曦怡 | 胡晓 | 刘雄 | 钟金锋 | 秦晓莉