比色传感器阵列与机器学习在供应链食品安全监测中的应用：进展、局限性与转化挑战的前沿综述

《Current Opinion in Food Science》：Colorimetric sensor arrays and machine learning for supply chain food safety monitoring: a state-of-the-art review of advances, limitations, and translational challenges

　　**摘要**食源性病原体的风险不仅存在于加工环节，还延伸至分销、零售和消费者处理阶段。在这些环节中，由于温度、包装、食品基质和微生物活动的动态变化，监测工作仍面临诸多挑战。本综述重点介绍了基于比色传感器阵列-机器学习（CSA-ML）平台在食品供应链病原体监测方面的最新进展。与单一指标检测方法不同，CSA-ML系统能够针对挥发性有机化合物及相关食品信号产生多维度的比色响应，从而实现基于机器学习的污染分类与解读。近期研究已从概念验证性检测逐步迈向实际食品应用，涵盖背景菌群、混合微生物群落、接近商业检测限的超低接种量检测以及可部署的传感形式。然而，由于基质复杂性、挥发性物质的时间依赖性积累、染料及材料安全性以及当前AOAC和美国食品药品监督管理局（FDA）验证框架下的验证挑战，其实际应用转化仍然受到限制。短期商业化可能最好通过初步风险筛查、指示微生物监测和污染监控来实现，从而支持现代化供应链中以人工智能为先导的食品安全监管。**引言**食源性病原体风险贯穿整个食品供应链，从农场和加工到分销、零售直至最终消费。在农场层面，病原体可能源自多种途径，包括宿主动物、灌溉水、土壤、饲料、粪便污染及其他环境暴露。在加工和包装过程中，尽管已有成熟的控制措施，污染仍可能通过设备表面、加工环境和人工操作持续存在或再次引入。然而，一旦食品离开加工设施或经过传统质量保证/质量控制（QA/QC）环节，污染风险并未就此终止。在运输、冷链物流、储存、零售陈列、家庭处理过程中，温度失控、交叉污染、包装接触条件以及不当操作均可能促进病原体的引入、存活和生长。因此，食源性病原体风险应被视为整个食品供应链中的动态问题，而非仅限于收获前或加工设施的问题。目前，食品安全监测主要集中在加工环节，这得益于更为成熟的监管框架和食品安全体系，包括标准化采样和确证性微生物检测等QA/QC实践。这些方法在配备集中实验室、经过培训的人员和控制性采样方案的加工和包装设施中是可行的。相比之下，供应链的后续环节日益分散且标准化程度较低。因此，食品安全问题可能在产品进入分销后因操作不当、温度波动、储存不当或消费者处理而发生后加剧。这造成了实际的监测空白，因为在从分销到消费的供应链阶段，常规病原体检测和QA/QC工作非常有限。频繁的现场、无损且具有连续监测潜力的手段有助于填补分销、零售和消费者阶段实验室基础设施有限环境中的这一空白。食品安全监测的这一空白激发了人们对传感策略日益增长的兴趣，这些策略能够在不单纯依赖传统培养法或目标特异性检测的情况下，捕捉复杂多变的食品安全信息。现有的目标特异性检测方法在确证性检测方面功能强大，但它们往往依赖于预设的识别元素、对目标微生物的先验假设或采样工作流程，以及基础微生物实验室。这些方法不太适合对食品安全进行重复性、无损监测。相比之下，比色传感器阵列（CSA）利用多个化学响应元件，产生与更广泛的挥发性有机化合物（VOC）谱相关的多维度颜色响应模式，这些模式随后可通过机器学习（ML）和人工智能（AI）进行解读。一项代表性研究证明，纸质显色阵列（PCA）与神经网络（NN）结合，能够识别、定量并同时检测易腐食品上的多种活体病原体，凸显了无损、机器学习辅助的食品监测潜力。因此，本综述聚焦于CSA-ML平台在食源性病原体监测方面的最新进展，特别是在从分销到消费阶段的进展。如图1所示，本综述追溯了这些平台从概念验证性微生物区分到实际食品基质、背景菌群、混合污染状态、低接种量检测以及更安全可部署形式的进展历程，并考察了标准化、验证和实际应用方面仍面临的挑战。**章节摘要****比色传感器阵列-机器学习用于食源性病原体与污染监测**在食源性病原体和污染监测中，目标信号通常不是来源于单一化学物质或生物源，而是来自与微生物活动、食品组成和环境条件相关的多样生化谱。这在分销、零售和消费者阶段尤为重要，因为食品及其菌群在动态温度波动、包装条件、食品基质特性等因素影响下持续变化……**研究进展与实际转化**在概念验证性研究确立了CSA能够支持多重物种或菌株水平微生物鉴定和半定量解读之后，近期研究日益向面向应用的障碍转移。关键问题已不再是CSA能否在简化条件下分类微生物目标，而是这些模式在食品来源的VOC背景、常驻菌群和低水平污染条件下是否仍然可解读……**比色传感器阵列的当前挑战与局限性**尽管近期研究已将CSA平台推进到实际食品基质、背景菌群、混合微生物状态和低接种量检测方面，但从分销到消费的实际监测仍受限于下游食品供应链在空间和时间上的复杂性。一个主要挑战是采样代表性。病原体可能以低丰度存在或局限于食品表面、受损组织、包装接触区域等处……**结论与未来展望**基于模式的CSA传感技术结合机器学习，为食品供应链后期阶段的持续、无损食品安全监测提供了有前景的框架。与单一指标检测相比，这些平台更适合解读复杂的、动态的食品和微生物相关信号。近期研究已从概念验证性微生物检测逐步转向应对应用相关挑战，包括实际食品基质……**CRediT作者贡献声明**Wen Jiajia：原稿撰写、概念构思、审阅与编辑。Kopit Joshua：审阅与编辑。Zhang Boce：审阅与编辑、概念构思、监督、项目管理、资金获取。**利益冲突声明**作者声明以下可能被视为潜在利益冲突的财务利益/个人关系：已提交美国发明专利申请和专利合作条约（PCT）申请。Boce Zhang、Yaguang Luo、Hengyong Yu和Xiaobo Liu，基于显色阵列的食品检测方法，美国发明专利号US 12,265,073 B2和PCT/US2019/059816。**致谢**本研究得到美国农业部国家食品与农业研究所（Grant # 2021-67021-39520）以及佛罗里达大学食品与农业科学研究所Hatch项目（登录号：7003266，NRS项目编号：FLA-FOS-006251）启动基金的资助。作者：Wen Jiajia | Kopit Joshua M | Zhang Boce佛罗里达大学食品科学与人类营养学系，佛罗里达州盖恩斯维尔，邮编32611，美国