《Food Control》：ESII-REIMS combined with an interpretable machine learning model for authentication of the biological origin of marine fish oils
编辑推荐：
•
开发了一种快速的ESII-REIMS策略用于鱼油鉴定。
•
机器学习准确分类了不同生物来源
- •
开发了一种快速的ESII-REIMS策略用于鱼油鉴定。
- •
机器学习准确分类了不同生物来源的鱼油。
- •
SHAP解释揭示了驱动模型决策的脂质特征。
- •
十二个关键的脂质鉴别标记实现了可靠的鱼油鉴定。
- •
简化的CatBoost模型实现了99.83%的鱼油分类准确率。
引言
海洋鱼油富含ω-3多不饱和脂肪酸（PUFAs），已被证明在抗炎调节、降低血脂、抗糖尿病活性、增强免疫系统、心血管疾病管理和改善记忆方面具有积极作用（Gowda, 2022; Zirpoli et al., 2020）。因此，海洋鱼油已成为一种具有巨大市场潜力的功能性食品成分。然而，关于鱼油真伪的担忧日益增加，特别是高价值鱼油被其他生物来源的油替代或错误标注的问题。例如，有报道称存在使用金枪鱼油、鳕鱼肝油等鱼油来源进行掺假或替代的情况，这突显了对鱼油生物来源进行可靠鉴定的必要性（Drábová et al., 2023; Lima et al., 2023; Irnawati et al., 2023）。由于物种、栖息地和饮食条件的差异，不同生物来源的鱼油具有不同的脂质组成。因此，准确的生物来源鉴定对于确保鱼油质量和市场诚信至关重要（Rohman, 2017）。
天然鱼油的主要成分是甘油酯，主要是甘油三酯（TGs）（Song et al., 2022）。目前，用于生物来源鉴定的甘油酯基方法包括稳定同位素比质谱、有机成分指纹分析、近红外光谱、核磁共振技术和液相色谱-质谱等（Cao et al., 2024; Zhou et al., 2020）。然而，这些方法大多需要复杂的样品制备、色谱分离和耗时的数据处理的步骤，限制了它们在快速和高通量鉴定中的应用（Martien et al., 2026; Rohman et al., 2021）。
快速蒸发电离质谱（REIMS）作为一种新兴的环境质谱技术，能够以最小的样品制备和快速的数据采集完成生物样品的分析（Balog et al., 2010; Barlow et al., 2021）。目前，它已逐渐成为食品真伪评估的重要工具（Liu et al., 2024; Xue et al. 2025）。然而，REIMS产生的复杂光谱和大规模数据矩阵给传统的统计分析带来了挑战（Cui et al., 2023）。因此，有效的特征提取对于基于REIMS的分类至关重要。
机器学习算法为从复杂和高维质谱数据集中提取鉴别模式提供了强大的方法。目前，多种机器学习算法已被整合到食品分类和鉴定研究中，并成功应用于基于REIMS的食品标签真伪分析（De Graeve et al., 2023; Gredell et al., 2019; Lu et al., 2024）。然而，大多数机器学习模型作为“黑箱”运行，对负责分类决策的化学特征的了解有限（Sim?es et al., 2025）。这种不可解释性限制了它们在食品鉴定中的实际应用，因为在食品鉴定中，识别可靠的化学标记与实现高预测准确性同样重要。基于合作博弈论的SHapley Additive Explanations（SHAP）框架能够定量解释单个特征的贡献，并提供对模型决策机制的洞察（Lundberg & Lee, 2017）。因此，将可解释的机器学习模型与基于REIMS的检测相结合，可以识别出复杂脂质指纹中最关键的脂质特征。这种方法不仅有助于减少冗余数据，还能提供关于不同生物来源鱼油之间脂质组成潜在差异的关键见解。
本研究重点关注了来自Trichiurus lepturus、Larimichthys crocea、Larimichthys polyactis、Pampus argenteus、Scomber scombrus、Thunnus obesus的六种海洋鱼油，旨在开发一种利用电烙铁离子源（ESII）结合REIMS的快速鱼油脂质分析方法。随后，基于机器学习算法和SHAP框架，建立了一个稳健的鱼油分类和鉴定模型，并系统地探索了确定生物来源的关键标记。本研究期望提供一种实用、现场、快速且准确的鱼油生物来源鉴定方法。更重要的是，通过将基于SHAP的模型解释与ESII-REIMS脂质指纹分析相结合，本研究旨在超越单纯的分类准确性，更深入地理解模型预测背后的脂质特征。SHAP引导的特征选择进一步用于识别关键鉴别标记并减少输入特征的数量，从而促进开发出更加紧凑和高效的分类模型，同时保持高分类性能。这种综合策略可能将REIMS的应用范围从快速化学指纹采集扩展到可解释和特征引导的数据分析，以评估食品真伪。
节选
化学品和试剂
亮氨酸脑啡肽（≥97%）购自Sigma-Aldrich（美国密苏里州圣路易斯）。用于ESII清洗的95%乙醇为分析级，购自上海新华化药有限公司。分析级二氯甲烷和丙酮也都购自上海新华化药有限公司。色谱级甲醇购自德国达姆施塔特的Merck Life Science公司。2-丙醇溶剂为色谱级。
基于ESII-REIMS的鱼油脂质指纹分析
使用ESII-REIMS在正离子模式下获得了六个鱼油样本的脂质指纹和表型谱。从120个提取的油样中获得了总共600个质量谱（6种鱼油类型 × 4批 × 每批5个油样 × 每次5次技术测量）。代表性指纹显示在图1A中，m/z 200-1200区域的脂质结构和目标峰的相对丰度汇总在表S1中。
结论
开发了一种基于ESII-REIMS的脂质指纹分析策略，用于快速表征和鉴定海洋鱼油的生物来源。成功鉴定了六种海洋鱼油，得到了143个脂质离子峰，分别归类为[RCO]+、[DG+H–H2O]+、[TG+H]+和[TG+NH4
作者贡献声明
Jie Liao：数据整理。 Guangjie Si：方法学。 Jingjing Liang：软件。 Zhijian Wang：软件。 Xiaozheng Liu：撰写 – 审阅与编辑、资源管理。 Yiwei Cui：撰写 – 原始草案、方法学、资金获取、概念构思。 Qing Shen：资金获取、概念构思。 Chenyi Zhou：正式分析、数据整理。 Jinjing Huang：方法学。 Yan Li：验证。 Libei Zhou：可视化、软件。 Jiaqi Yuan：数据整理。 Luyi Jiang：调查。
Alakwaa et al., 2018; Gowda et al., 2022; Nauta et al., 2023; Paul and de Boves Harrington, 2021; Zhang et al., 2021; Zhang et al., 2021.
作者声明没有可能影响本文报告工作的已知财务利益或个人关系。
作者感谢中国国家自然科学基金（32402220）、浙江省教育厅一般科研经费（Y202454512）、浙江省科技项目（2025C02126）、诸暨市科技项目（2025J06）、浙江树人大学引进人才科研启动项目（2023R063）以及浙江树人大学开放实验室项目（2026JS2022）的支持。
Yiwei Cui | Chenyi Zhou | Jiaqi Yuan | Luyi Jiang | Yan Li | Libei Zhou | Jingjing Liang | Zhijian Wang | Jie Liao | Guangjie Si | Jinjing Huang | Xiaozheng Liu | Qing Shen
