《Food Chemistry: X》：Veterinary drug residues in animal-derived foods: From analytical detection to intelligent and sustainable surveillance
编辑推荐：
动物源性食品中的兽药残留对“全健康（One Health）”各领域构成毒理学风险。快速生物传感器与纳米材料平台可对确证性液相色谱-串联质谱（LC-MS/MS）分析形成互补。人工智能（AI）与机器学习（ML）支持残留检测及预测性风险建模。物联网（IoT）与区块链
动物源性食品中的兽药残留对“全健康（One Health）”各领域构成毒理学风险。快速生物传感器与纳米材料平台可对确证性液相色谱-串联质谱（LC-MS/MS）分析形成互补。人工智能（AI）与机器学习（ML）支持残留检测及预测性风险建模。物联网（IoT）与区块链支持实时监测与防篡改追溯。绿色溶剂与小型化可降低分析流程的环境足迹。
集约化畜禽和水产养殖中广泛使用兽药进行疾病控制、群体预防和促生产，不当使用、休药期不足或合规性不佳可导致肉、奶、蛋、蜂蜜和水产品中出现兽药残留。急性与慢性暴露与过敏反应、肠道菌群紊乱、遗传毒性和致癌效应以及内分泌干扰相关，且抗菌药的非谨慎使用会促进抗菌药耐药性（AMR）沿食物链出现和传播。现有最大残留限量（MRL）和休药期制度提供了监管基础，但不同市场MRL差异、分析能力不均和监控执行不匀造成风险管理困难和贸易争端。因此有必要将可靠残留测量与及时决策连接起来，整合分析技术、数字工具和绿色分析化学，以支持从农场到餐桌的残留控制。
研究人员系统回顾了兽药残留分析检测与智能可持续监测相关文献，提出将残留特异性筛选与确证、可追溯合规决策和全工作流程环境评估相结合的框架，并规划了分阶段实施路线。该综述的意义在于为监管机构、实验室和食品行业提供整合的分析与数字策略，助力One Health（全健康）框架下的残留治理。
该研究为综述性论文，未涉及具体样本队列。研究人员整合分析近年文献，比较了免疫测定、生物传感器、液相色谱-串联质谱（LC-MS/MS）和高分辨质谱（HRMS）等检测平台的性能；评估了人工智能（AI）和机器学习（ML）算法在光谱、色谱及图像数据中的应用；分析了物联网（IoT）传感器网络与区块链追溯系统的架构要求；基于绿色分析化学（GAC）和生命周期评估原则考察溶剂消耗、能源需求和电子废物；并通过案例研究提出分阶段实施框架。
2. 兽药、残留与法规要点
2.1 兽药类别与使用模式：多种兽药类别用于食用动物，抗菌药和抗寄生虫药因使用频率高和与AMR关联而受到最严格监管；不同物种和生产系统用药方式存在差异。2025年建模研究估计2019年全球牲畜抗菌药使用量约110,777吨，预计2040年增加29.5%。
2.2 残留形成与持久性：残留包括母体药物、代谢物和杂质，其形成取决于吸收、分布、代谢和排泄（ADME）。亲脂性药物如大环内酯类在脂肪组织蓄积，亲水性药物如β-内酰胺类快速排泄。生理药代动力学（PBPK）模型可预测不同给药方案后的组织残留，例如Z. Zhang等开发了泰乐菌素在肉鸡和蛋鸡中的开源模型。
2.3 与残留暴露相关的健康风险：直接毒性包括肾毒性、肝毒性、神经毒性、致癌和内分泌干扰；β-内酰胺类和磺胺类可在敏感个体引起低浓度过敏反应。亚抑制浓度抗菌药可赋予耐药菌选择性优势，但膳食残留对人类AMR的贡献取决于生物可利用暴露和微生物环境。
2.4 法规标准与监控：国际层面，联合国粮农组织/世界卫生组织食品添加剂联合专家委员会（JECFA）与Codex Alimentarius委员会提供建议和MRL参考，但各国MRL存在差异，如莱克多巴胺在Codex允许而欧盟禁用。美国FDA进口警报16-131记录了来自中国养殖水产品中未批准药物残留的执法案例。监控计划按风险排序，但存在能力不足和数据不透明等挑战。
3. 检测技术：从常规分析到先进传感器
3.1 前线筛查：微生物抑制试验和酶联免疫吸附试验（ELISA）广泛用于原奶抗菌药残留初筛，但存在交叉反应和多残留能力有限。生物传感器、侧向层析免疫测定（LFIA）、电化学传感器、荧光传感器、表面增强拉曼光谱（SERS）和表面等离子体共振（SPR）等提供快速、便携和多重检测潜力；微流控芯片可整合样品处理与检测。CRISPR辅助传感是新兴方向，但需要独立验证分子识别和信号放大。
3.2 确证分析和广谱调查：LC-MS/MS用于靶向确证；超高效液相色谱（UHPLC）结合Orbitrap或飞行时间（TOF）质谱支持可疑和非靶向筛查，单次运行可覆盖200多种分析物；纸喷雾质谱可在数秒内从纸基质直接电离，减少样品制备。
3.3 关键比较与方法选择：方法选择应基于监控决策需求；低检测限不意味着适合常规监控。评估需包括灵敏度、选择性、成本、可移植性、重复性、工作流程总时间以及决策错误率。欧盟法规要求筛选方法假合格率不超过5%，确证方法α误差对禁用物质不超过1%、对授权物质不超过5%。
4. 数字智能与可追溯监控系统
4.1 残留检测流程中的AI与机器学习：AI/ML可通过多变量模型从高维色谱、光谱和图像数据中自动提取特征并进行分类和定量。可解释性工具如SHAP可解释模型预测，但特征归因不能证明化学特异性。泛化性需用独立样本、仪器和批次评估；少样本学习和自监督基础模型（如DreaMS）被提出作为未来研究方向。
4.2 物联网传感器网络与边缘分析：IoT将分布式传感器连接到食品链，实时记录温度、湿度和挥发性物质等信号。LumiCellSense等设备实现了基于智能手机的本地检测；ZnMOF-74量子点传感器阵列结合云机器学习在牛奶、蜂蜜和牛肉中识别多种兽药。但IoT面临通讯标准不统一、网络安全和电子废物等问题。
4.3 区块链支持的追溯与数字记录：区块链提供防篡改的时间戳记录，可记录治疗史、分析结果和批次事件；智能合约可自动执行扣留、放行或召回逻辑。但区块链不能保证原始测量的正确性，选择是否使用区块链取决于治理需求、交易成本和维护能力。
4.4 迈向集成智能残留控制架构：集成AI、IoT和区块链需要共同的样本/批次标识和数据标准（如EFSA SSD2数据模型），并需区分筛查结果与确证结果。层间错误可传播，网络安全和数据治理是前提。
5. 可持续与绿色分析方法
5.1 溶剂减少、替代与分离效率：固相微萃取（SPME）、搅拌棒吸附萃取（SBSE）、分散液液微萃取（DLLME）等微萃取技术可减少提取溶剂，但前端样品制备可能仍消耗大量溶剂；深共熔溶剂（DES）等替代溶剂需评估全生命周期；超临界流体色谱（SFC）和纸喷雾质谱减少流动相使用，但带来其他能源或基质限制。
5.2 材料、重用与设备寿命：纸基微流控和可再生材料可降低浪费，但需评估完整设备的降解和纳米材料释放；可重复使用萃取吸附剂分摊制造负担，但需考虑回收、残留和替换频率。
5.3 全工作流程评估与数字权衡：生命周期评价（LCA）应比较等效分析覆盖和决策性能的流程；AI和IoT的额外环境足迹需明确核算。示例性计算显示，溶剂替代的碳节省可能被频繁模型训练或短寿命设备抵消，因此应优先考虑可测量的节省和耐用设备。
实施仍面临技术和监管障碍，包括多残留覆盖不足、基质效应、非靶向数据处理标准化缺失，以及快速生物传感器的长期稳定性和批次间重现性问题。法规层面，MRL覆盖不完全和国际标准不一致阻碍贸易；非靶向HRMS、生物传感器和AI辅助解释缺乏统一验证框架。经济和社会约束表现为资本和技能密集、资源受限地区实验室能力不足，以及养殖者行为和管理问题。One Health整合要求将兽药使用、残留、耐药和环境监测联系起来，但残留合规与AMR风险不能等同。全球协调不平衡，Codex MRL仅覆盖少数药物-产品对。为此，研究人员提出三阶段路线图：第1年建立基础（定义优先药物-基质组合、维护治疗记录）；第1-3年开展连接试点（在选定供应链中实施筛选-批次标识-确证流程）；第3年后扩展（将成功试点推广至加工、分销和零售）。评估指标包括休药期记录完整性、筛查假阴性率、确证周转时间和批次定位比例。
有效残留控制需要可靠测量与及时行动。从农场到餐桌的系统应将治疗与休药期中的预防、收集或屠宰时的筛查、实验室确证、贯穿零售的可追溯产品控制以及源头农场的纠正措施结合起来。经验证的快速生物传感器可为此流程提供支持。数字工具可将分析结果与治疗和批次记录连接，但其价值取决于数据质量、互操作性和可追责的决策。环境效益需评估包括数字能源使用和电子废物在内的完整检测工作流程。分阶段路线图优先考虑验证的筛查和确证，然后再进行更广泛的数字整合，实施应适应当地能力。将残留监测与抗菌药使用、耐药和环境数据关联，可支持One Health行动，同时保持残留合规与抗菌药耐药性风险之间的区别。
