DSC与TGA在食品质量控制与真实性验证中的应用进展：热指纹、化学计量学与人工智能驱动的未来方向

《Food Chemistry: X》：Recent applications of DSC and TGA in food quality control and authenticity verification: Current progress and future directions

　　

热指纹（thermal fingerprints）揭示食品真实性中的隐藏差异。差示扫描量热法（DSC）和热重分析（TGA）可跨多种基质快速检测食品掺假。化学计量学（chemometrics）解锁对细微掺假模式的灵敏检测。热分析（TA）提供快速、绿色且无溶剂的食品真实性验证。人工智能（AI）驱动的热分析为下一代真实性验证铺平道路。

食品是人类健康的基础，其质量、安全与营养价值直接关系公共健康。全球食品供应链日益复杂，消费者期望提高，食品真实性与质量问题受到关注。食品欺诈包括掺假、替代和误标，涉及食用油、香料、蜂蜜、乳制品、肉、茶和咖啡等，可能带来健康风险、信任损害和经济损失。色谱、光谱等技术虽灵敏，但常需复杂样品制备、昂贵仪器和较长分析时间。热分析（TA）可监测材料在受控温度下物理化学变化，其中差示扫描量热法（DSC，监测热流随温度变化的技术）和热重分析（TGA，监测质量随温度或时间变化的技术）在食品质量控制与真实性验证中应用最广。掺假或原料差异可改变熔融、结晶、分解和失重行为，形成热指纹。因此，研究人员开展叙述性综述，重点汇总2020—2026年DSC和TGA在食品质量控制、真实性评估和掺假筛查中的进展，并关注其与化学计量学、机器学习和人工智能的整合。研究结论表明，DSC和TGA可作为快速、绿色、无溶剂或低溶剂消耗的互补分析平台，通过热指纹提供独特物理化学信息，但其最佳定位是快速筛查和补充手段，而非替代GC–MS、HPLC等参考方法。该综述对工业质量保证和监管食品欺诈监测具有重要意义。

关键技术方法概括：该研究为叙述性综述，非原始实验研究，无原始样本队列来源。研究人员检索Web of Science、Scopus、ScienceDirect和Google Scholar，重点纳入2020—2026年文献，关键词包括thermal analysis、differential scanning calorimetry、thermogravimetric analysis、food authentication、food adulteration、quality control、oxidative stability、crystallization、thermal stability、shelf-life和chemometrics。研究比较DSC、TGA及差热分析（DTA）、微分热重法（DTG）、调制差示扫描量热法（MDSC）等，并分析其与主成分分析（PCA）、偏最小二乘（PLS）、支持向量机（SVM）、人工神经网络（ANN）和随机森林（RF）等化学计量学或机器学习方法的结合。

研究结果如下。2. 热分析在食品质量控制中的应用。2.1 热稳定性：DSC通过熔融、结晶、玻璃化转变温度（T_g）和蛋白变性温度等评价热稳定性；TGA通过水分、挥发分、分解起始温度、质量损失和残留评价热稳定性。Voli?等发现包埋可增强百里香精油热稳定性；Ghandehari Yazdi等发现包封后酚类提取物热事件改变。实验条件如样品质量、水分、粒径、加热速率和气氛会影响结果。2.2 货架期评价：DSC的T_g与分子迁移率和物理稳定性相关，TGA的质量损失可反映水分和挥发物变化。Ikasari等发现玻璃态基质中脂质氧化较低，说明T_g可指示储存稳定性。但热参数为间接指标，需与具体质量属性和动力学模型关联。2.3 氧化稳定性：DSC等温模式可测氧化诱导时间（OIT），非等温模式可测氧化起始温度（T_on）。Islam等发现冷榨亚麻籽油、大麻籽油和亚麻荠油储存中OIT和T_on下降，并与过氧化值、p-茴香胺值和总氧化值相关。TGA/DTG/DTA用于Patauá油等，可识别降解阶段并评价氧化稳定性。2.4 结晶与多晶型：DSC可表征结晶起始温度（T_on）、峰值温度（T_p）和终止温度（T_e），以及多晶型熔融温度和焓。Sviech等用DSC研究水果浆冰融行为；Verma等研究非离心糖蔗糖结晶；Declerck等研究可可脂多晶型。淀粉糊化可用T_on、T_p、终点温度（T_c）、糊化焓（ΔH）和ΔT表征；蛋白质可用变性温度（T_d）和ΔH表征。Jennings等研究乳清蛋白，Ojeda-Galván等研究牛血清白蛋白、溶菌酶、卵白蛋白和氨基酸。3. 热分析在食品真实性与掺假检测中的应用。3.1 食用油：DSC熔融和结晶热指纹可反映三酰甘油（TAGs）组成，结晶曲线通常更重复。DSC与PCA、偏最小二乘判别分析（PLS-DA）、SVM、ANN和RF结合，可区分特级初榨橄榄油（EVOO）及多种油掺假，但受品种、产地、冷却速率和热历史影响。3.2 蜂蜜：蜂蜜T_g和热容量变化（ΔC_p）对糖组成和水分敏感。Dranca等用DSC和偏最小二乘回归检测5%—20%糖浆掺假；Hassan等用DSC结合卷积神经网络（CNN）和合成少数过采样技术（SMOTE）检测高果糖玉米糖浆（HFCS）等掺假；Huang等用DSC结合图半监督学习（GSSL）分析43个样本，发现HFCS增加水分并降低T_g和ΔC_p；Tabak和Karakulluk?u发现加热会使栗子蜂蜜中5-羟甲基糠醛增加。3.3 肉、乳制品及其他食品：DSC可基于脂质和蛋白质组成形成物种特异热指纹。Santos等用DTA/TGA结合PCA、PLS-DA和多元线性回归检测酸奶淀粉掺假；Bahmani等用热成像和CNN检测碎牛肉掺入禽类和羊类内脏，检测限为5%；Nugrahani和Aditya用DSC和PCA进行清真肉鉴别；Pereira等用TGA/DTG和PLS检测烘焙阿拉伯咖啡掺假，R²≥0.927，检测限为0.36%；Farah等用DSC结合梯度提升机和多层感知机检测牛奶掺假并获100%分类准确率。4. 挑战与未来展望。4.1 当前挑战包括：4.1.1 基质复杂性与变异，天然差异可掩盖掺假指纹；4.1.2 标准化与统一不足，加热速率、样品质量和气氛等影响热谱；4.1.3 灵敏度与选择性限制，低水平或热性质相似的掺假物难以检测；4.1.4 法规接受度有限。4.2 未来展望包括：4.2.1 人工智能驱动热指纹，如深度学习、可解释人工智能（XAI）、迁移学习、联邦学习和数字孪生；4.2.2 便携与现场应用；4.2.3 多技术协同，如与FTIR、NIR、Raman和质谱联用；4.2.4 化学计量学与大数据，包括PCA、PLS、SIMCA和数据融合；4.2.5 绿色分析化学与可持续性；4.2.6 下一代热指纹平台，建立大规模标准化热指纹数据库并遵循FAIR原则。

讨论部分总结：DSC和TGA的分析价值取决于食品基质、实验条件和目标掺假物的化学性质及水平。热谱受样品组成、加热速率、样品质量、气氛和仪器配置影响，实验室间可比性可能受限；重叠热转变也会限制单一掺假物识别。因此，TA更适合作为快速筛查和补充方法，而不是GC–MS、HPLC等参考方法的通用替代。其最大价值在于快速指纹分析、比较筛查和识别需进一步确证分析的样品。与化学计量学结合可提取复杂热谱信息，但模型可靠性依赖代表性样本、合适验证、标准化采集和独立外部验证。未来需推进标准化、扩大参考数据库、评价方法在产地、季节、品种和加工条件下的稳健性，并发展便携仪器和多技术联用。

研究结论翻译：热分析方法，尤其是DSC和TGA，已成为食品质量控制、真实性评估和掺假筛查的有用分析工具。该综述表明，热技术可捕获与组成、加工历史和掺假相关的熔融和结晶行为、热转变、分解曲线和质量损失模式的变化。DSC特别适用于表征富含脂质的食品及其他热转变差异反映主要或次要组分变化的体系，TGA则通过质量损失和热分解行为提供补充信息。因此，TA可应用于食用油和脂肪、乳制品、肉及其他动物源性食品、淀粉基产品和部分加工食品。重要的是，TA的分析价值强烈依赖于食品基质、实验条件和目标掺假物的化学性质及水平。热谱受样品组成、加热速率、样品质量、气氛和仪器配置等因素影响，实验室间差异会影响结果可比性。此外，重叠热转变可能限制DSC或TGA识别单个掺假物，尤其是结构和组成相似的材料。因此，TA通常应被视为快速筛查和补充方法，而非GC–MS、HPLC或其他靶向色谱和光谱方法的通用替代。其最大实际价值在于快速指纹分析、比较筛查和识别需要进一步确证分析的样品。TA与化学计量学和多元方法整合，是提取复杂热谱中可能无法由单个热参数显示的信息的重要手段。然而，此类模型的可靠性取决于代表性样本集、适当验证策略、标准化采集条件和独立外部验证。未来研究应超越分类性能展示，更加重视模型可转移性、实验室间验证、检测限和对天然组成变异的稳健性。进一步发展TA用于食品真实性验证，需要样品制备和仪器条件更高程度的标准化、更大且更多样的参考数据库，以及系统评价方法在地理来源、季节、品种和加工条件下的性能。便携和微型化热仪器可促进现场筛查，而TA与补充分析技术联用可提高化学特异性并减少误分类。总体而言，证据表明，当DSC和TGA置于互补分析策略中时最有价值，其快速热指纹可对食品真实性和质量进行初步评估，随后用更特异方法进行确认。这一角色为将TA整合到现代、高效和资源节约的食品质量控制工作流程提供了实用路径。