《Journal of Food Composition and Analysis》：Aflatoxin M1 in milk products: QuEChERS–HPLC-FLD quantification, occurrence patterns across product categories and interpretable risk-based screening
编辑推荐：
乳制品中的黄曲霉毒素M1（Aflatoxin M1，AFM1）是饲料中黄曲霉毒素B1（AFB1）经“饲料→动物→乳”传递路径进入牛奶的羟基化代谢产物，构成重要的食品安全问题。本研究采用QuEChERS提取结合高效液相色谱-荧光检测（QuEChERS–HPLC-
乳制品中的黄曲霉毒素M1（Aflatoxin M1，AFM1）是饲料中黄曲霉毒素B1（AFB1）经“饲料→动物→乳”传递路径进入牛奶的羟基化代谢产物，构成重要的食品安全问题。本研究采用QuEChERS提取结合高效液相色谱-荧光检测（QuEChERS–HPLC-FLD）方法，对约旦零售市场采集的鲜奶、超高温瞬时灭菌乳（UHT）、奶粉及婴幼儿配方粉共2390份样品进行AFM1定量分析，并以50 ng/L（约旦标准JS 1189及欧盟限量）为合规基准进行评估。结果显示，AFM1检出率（≥检出限LOD=5 ng/L）为52.30%，可定量率（≥定量限LOQ=16.6 ng/L）为36.82%，非合规率（>50 ng/L）为8.79%；鲜奶为主要非合规品类（16.67%），其次为奶粉（3.85%），UHT乳与婴幼儿配方粉均未检出。季节与产地分层分析表明，冬季样品及约旦本地供应链样品呈现更高的风险信号。研究人员进一步构建了基于岭正则化逻辑回归的可解释机器学习（ML）筛查模型，以产品类型、季节和产地为预测变量，预测AFM1非合规概率，交叉验证受试者工作特征曲线下面积（ROC-AUC）为0.743，并提供封闭形式概率方程与风险地图，将常规监测元数据转化为风险导向的确认检测优先级，支持“预测–优先排序–确认”（predict–prioritize–confirm）的AFM1监测范式，适用于实验室能力有限且非合规事件罕见但具有重要公共卫生后果的场景。
论文解读文章
一、研究背景与问题提出
黄曲霉毒素M1（Aflatoxin M1，AFM1）是黄曲霉毒素B1（AFB1）在乳用动物体内经肝脏羟基化代谢后分泌进入乳汁的衍生物，其“饲料→动物→乳”的传递路径构成了乳制品供应链中一项严峻的食品安全挑战。AFM1具有明确的毒理学相关性，加之乳及乳制品在婴幼儿和儿童群体中的高消费量，使得AFM1的监测对监管机构和产业界均具有突出的公共卫生意义。现有研究已表明，AFM1污染在不同乳制品基质和处理流程（原料乳/巴氏杀菌乳、延长货架期乳ESL、超高温瞬时灭菌乳UHT、乳粉）中呈现显著差异，且受季节、饲料储存条件和供应链管理等因素影响。然而，当前多数污染研究仅报告检出率、浓度范围或超标率等事后统计结果，缺乏基于常规样品元数据（产品类型、季节、产地）预测检出或监管超标概率的决策支持工具。同时，确证性色谱分析方法耗时且资源密集，在实验室检测能力有限、非合规事件罕见但后果严重的现实约束下，监管机构亟需一种透明、可解释且可操作的风险分层筛查手段，以优化确认性检测资源的配置。本研究正是针对这一实施缺口，将产品分层合规分析与可解释人工智能/机器学习（AI/ML）决策支持框架相结合，旨在将常规监测元数据转化为可操作的监测优先级。
二、研究设计与主要技术方法
研究人员于2024年9月至2025年10月在约旦零售市场和商店采集鲜奶、UHT乳、奶粉和婴幼儿配方粉共2390份样品，冷链运输并于4 °C储存，采集后48小时内完成分析。样品先经商品化酶联免疫吸附测定（ELISA）试剂盒（Romer Labs，奥地利）进行初步筛查，随后采用QuEChERS（Quick, Easy, Cheap, Effective, Rugged, and Safe）提取结合高效液相色谱-荧光检测（HPLC-FLD）进行确证定量。色谱分离采用Kinetex XB-C18色谱柱（150 mm × 4.6 mm，3.5 μm），流动相为水:乙腈（70:30，v/v），等度洗脱流速1.2 mL/min，柱温35 °C，荧光检测激发/发射波长365/435 nm，AFM1保留时间约4.39 min。方法在16.6–800 ng/L范围内呈良好线性（R2=0.9999），加标回收率80.1%–87.5%，日内相对标准偏差（RSD）≤6.4%，日间RSD≤9.1%，检出限（LOD）和定量限（LOQ）分别按信噪比3:1和10:1确定为5 ng/L和16.6 ng/L。统计上采用卡方检验、Fisher精确检验和Kruskal-Wallis检验评估分类关联与浓度分布差异。AI/ML部分构建了两个岭正则化逻辑回归分类器，分别预测AFM1检出（≥LOD）和非合规（>50 ng/L），以产品类型、季节和产地为指示变量，采用分层5折交叉验证评估性能，并通过Bootstrap重采样获得判别指标的95%置信区间。非检出（左删失）数据按欧洲食品安全局（EFSA）建议的三种替代方案（0、LOD/2、LOD）进行敏感性分析。
三、研究结果
3.1 污染发生与产品类别分布
在2390份样品中，AFM1检出（≥LOD=5 ng/L）1250份（52.30%），可定量（≥LOQ=16.6 ng/L）880份（36.82%），超过50 ng/L监管基准210份（8.79%），最大浓度为144.27 ng/L。产品类型呈现显著差异：鲜奶中190/1140份（16.67%）非合规，奶粉中20/520份（3.85%）非合规，而UHT乳和婴幼儿配方粉全部低于检出限。产品类型与检出（χ2=1156.25，df=3，p=2.27×10?2??）及非合规（Fisher精确检验，p=1.37×10?3?）均显著关联。UHT乳和婴幼儿配方粉未检出AFM1并非高温处理降解所致（AFM1热稳定性较高），更可能归因于加工前的原料乳筛查、污染原料拒收及多牧场奶源混批等质量控制措施。
3.2 各产品类别的检出与非合规模式
鲜奶检出率73.7%（840/1140），奶粉检出率78.85%（410/520），后者略高；但鲜奶可定量率44.74%（510/1140），非合规率16.67%（190/1140），均为最高。奶粉可定量率71.15%（370/520）虽高于鲜奶，但非合规率仅3.85%。UHT乳和婴幼儿配方粉在本数据集中未检出可定量AFM1。产品类型是AFM1检出和非合规风险的显著决定因素，监测与缓解措施应优先聚焦鲜奶。
3.3 阳性样本的浓度分布特征
对检出样本的浓度分析显示，鲜奶中AFM1浓度范围为5.04–144.27 ng/L，中位数24.75 ng/L，四分位距（IQR）13.46–48.55 ng/L，分布高度右偏，P90约86.80 ng/L，P95约99.80 ng/L，表明少数高浓度事件主导了监管超标风险。奶粉检出率虽高但超标负担远低于鲜奶。Kruskal-Wallis检验（H=73.46，p=7.77×10?1?）证实不同产品类型间AFM1浓度分布差异显著。
3.4 季节与产地模式
冬季非合规率最高（150/780，19.23%），其次为秋季（30/380，7.89%）和夏季（30/760，3.95%），春季无非合规样品。检出率随季节显著变化（χ2=479.16，df=3，p=1.57×10?3）。产地方面，约旦本地样品检出与非合规集中（210/1720，12.21%），海湾合作委员会（GCC）及欧盟/美国进口样品检出率极低或为零（χ2=20.92，df=2，p=2.86×10??）。但研究人员指出，产地效应与产品类别存在混杂（鲜奶主要来自本地供应链），产地应视为供应链和产品类别描述符而非独立因果因素。
3.5 非合规事件的AI/ML稀有事件模型
以产品类型、季节和产地为预测变量构建类别加权岭逻辑回归模型，预测AFM1非合规（>50 ng/L，n=210）。分层5折交叉验证显示ROC-AUC为0.743，PR-AUC/平均精度为0.163。模型提供封闭形式概率方程：p=1/(1+exp(?z))，其中z=?2.0131?2.8966·I(Infant formula)?0.4190·I(Milk powder)?2.9164·I(UHT)?2.7109·I(Spring)+0.0788·I(Summer)+0.8780·I(Winter)?1.3062·I(GCC)+2.0953·I(Jordan)。两种操作阈值被测试：阈值0.248可实现召回率1.00（识别全部210份非合规样品，假阳性1210份）；阈值0.65可减少确认检测工作量（假阳性590份），识别150/210份非合规样品（召回率0.714，漏检60份）。阈值选择取决于优先保障公共健康还是降低实验室工作负荷。
3.6 非检出处理的稳健性
采用EFSA推荐的三种非检出替代方案（0、LOD/2、LOD）进行敏感性分析，评估均值汇总统计对删失假设的稳健性，结果表明主要结论未因非检出处理方式不同而发生实质性改变。
3.7 模型解释与操作效用：预测风险地图
模型以封闭形式概率方程和风险地图可视化呈现，按产品类型×季节（及产地）组合生成预测非合规概率，为实验室提供直观的风险分层依据，将常规监测元数据转化为确认检测的优先级排序工具。
3.8 机制解释与监测启示
鲜奶的高风险与其直接暴露于饲料污染传递路径有关，AFM1从饲料到牛奶的传递率受动物生理、产奶量和饲料污染水平等多因素影响。加工乳制品中AFM1未检出更可能反映原料端质量控制而非加工降解。季节效应与温度、湿度、饲料储存和饲喂实践相关。产品类型、季节和产地在本数据集中存在轻度混杂，应作为监测变量而非因果变量解读。
四、讨论与结论总结
讨论部分指出，产品类型是AFM1污染和非合规风险的首要决定因素，鲜奶为风险最集中的品类，冬季和约旦本地供应链呈现更高的风险信号。可解释AI/ML筛查模型将常规监测元数据转化为风险导向的确认检测优先级，弥合了监测必要性与可操作筛查工具稀缺之间的实施差距。研究的主要局限包括：季节估计受各季节样本量不均和产品构成差异影响；产地效应与产品类别混杂；非合规事件数量有限导致PR-AUC较低。研究结论强调，在实验室能力有限和非合规事件罕见但具有重要公共卫生后果的条件下，“预测–优先排序–确认”的监测范式提供了一种保守且实用的风险分层方案，其价值不仅在于预测精度，更在于将常规监测数据转化为透明、可操作的监测优先级，支持监管机构和乳制品供应链利益相关方在高风险环节聚焦缓解资源。
