基于近红外光谱（NIR）便携式与台式仪器预测多种食品及饲料原料中人工添加微塑料浓度的仪器类型、检出限与定量限研究

《Foods》：The Prediction of the Concentration of Artificially Added Microplastics in Different Foods and Feed Ingredients Using Near-Infrared Spectroscopy—Instrument Type, Limit of Detection and Quantification

　　

预测不同食品与饲料原料中微塑料（MP）浓度是近红外（NIR）光谱领域日益受到关注的方向。本文旨在评估近红外光谱（台式与便携式仪器）预测将聚合物［聚乙烯（PE）、聚丙烯（PP）和聚对苯二甲酸乙二醇酯（PET）］添加至三种常作为食品与饲料原料的基质中（0%～5% w/w）浓度的能力。本研究采用添加不同水平聚合物的香蕉、菠菜、面包屑和黑水虻幼虫（BSFL）粉样品。采用偏最小二乘（PLS）回归建立预测样品中MP浓度的校正模型。交叉验证决定系数（R²CV）与交叉验证标准误差（SECV）分别为0.76和0.72%，使用交叉验证（CV）与测试集时分别为0.81和0.75%。使用CV与测试集时，便携式仪器的R²CV与SECV分别为0.92（SECV：0.38%）和0.95（SECV：0.32%）。使用台式仪器分析的CV与测试集，R²CV与SECV分别为0.81（SECV：0.59%）和0.81（SECV：0.60%）。便携式与台式仪器的预测标准误差（SEP）分别为0.41%和0.65%。上述结果表明，便携式与台式近红外光谱均有望作为快速工具用于预测多种食品与饲料基质中的微塑料浓度。

研究背景方面，振动光谱（如中红外（MIR）、近红外（NIR）与拉曼光谱）已被用于识别生物样品（如食品原料与产品）及环境样品（如土壤）中的不同聚合物。此类应用通常需先将塑料或聚合物从样品基质中提取并净化，再借助拉曼、MIR以及高光谱或多光谱成像系统识别聚合物类型，其主要目的在于克服视觉识别微塑料时所谓的人为误差。然而，微塑料分析还常依赖浮选、密度分离等样品制备与分离流程，这些流程会引入额外变异来源，并导致不同分析流程间结果出现差异；此外，这些应用并未充分探讨振动光谱（如样品的分子与键合信息）开发非靶向或靶向模型以对广泛样品中的微塑料（MP）与聚合物进行分类和定量的能力。近年来，近红外光谱用于预测不同食品、饲料原料及其他类型样品（如土壤、水）中MP或相关聚合物浓度的兴趣日益增加，已有若干科学论文报道了近红外光谱预测土壤、鱼类与海产品以及多种食品原料和产品样品中聚合物存在与浓度的能力。但多数研究仅在单一基质内评估微塑料或聚合物预测，近红外光谱在多种组成不同的食品与饲料基质间建立稳健预测模型的能力在很大程度上尚未被探索。食品安全与保障是现代食品工业面临的重要问题，检测和定量食品原料与产品中的MP和聚合物对行业十分重要，因其影响消费者所用食品原料与产品的安全性；此外，易于在价值链与供应链中应用的方法与技术对于确保食品产品与原料安全也很重要。已有作者和实际应用证明近红外光谱可分析多种食品原料与产品以保障其组成（如蛋白质含量）、安全性与完整性，手持式与便携式仪器的出现也推动近红外光谱走出实验室走向现场。尽管近红外光谱应用日益增多且越来越多研究显示其潜力，若干可能影响模型性能的方法学因素仍未被充分考虑和评估，包括交叉验证或使用独立数据集验证、所分析样品类型与样品呈现方式（如干燥或高水分样品）以及仪器限制（如光学几何、仪器特性和波长范围）。基于此，研究人员开展了本研究，评估台式与便携式近红外仪器预测三种组成不同的食品与饲料基质（如香蕉-菠菜混合物、面包屑和黑水虻幼虫（BSFL）粉）中添加聚合物浓度的能力，重点在于确定能否在多种基质间而非单一类型样品内建立稳健校正模型，并比较便携式与台式近红外仪器的预测性能。

在技术方法上，样品来自三个不同实验并合并为两个不同数据集；聚合物颗粒（PE、PET和PP）经?80 °C冷冻脆化后以组织研磨仪在30 Hz下研磨5 min制成小于1 mm的颗粒，按0.1～5.0% w/w添加到食品或饲料原料中混匀。光谱以反射模式采集：台式仪器为配备镀金积分球的FT-NIR Tango，积分时间64次干涉图扫描，波数范围11,550～3950 cm^?1，分辨率4 cm^?1，使用OPUS软件（8.5版）进行诊断与扫描；便携式仪器为MicroNIR，波长范围900～1600 nm，积分时间50 ms，每谱平均50次扫描。光谱经Savitzky–Golay（二阶导数、十一点窗口、二阶多项式）处理后，采用留一交叉验证的偏最小二乘回归（PLS）建模；数据集（n=500）经Kennard-Stone（KS）算法划分为校正集（n=250）与验证集（n=250），以R²CV、SECV、SEP、偏差、斜率和残差预测偏差（RPD）评价，检出限（LOD）与定量限（LOQ）分别按3.3×RMSEP与10×RMSEP计算。

研究结果方面，聚合物光谱特征部分：台式仪器采集的纯PE、PET与PP颗粒（<1 mm）近红外吸收光谱显示三者分子结构差异对应的特征吸收，PE与PP谱形较为相似，在约8200～8400、6900～7300和5700～6150 cm^?1处有显著吸收带，主要与C–H键的倍频与合频振动有关，其中5700～6150与8200～8400 cm^?1分别对应C–H伸缩的第一与第二倍频，6900～7300 cm^?1则与涉及C–H伸缩和变形的合频振动相关；PET谱形明显不同，尤其在约5900和4500～4700 cm^?1区域，反映其芳香与含酯分子结构的差异；仅展示台式仪器光谱，因其更宽的光谱范围和更高的光谱分辨率较便携式近红外光谱更能代表聚合物的特征吸收。混合样品二阶导数光谱部分：台式仪器分析样品（图2A）在约8240 cm^?1（CH₂）、约6946 cm^?1（CH与CH₂及O–H芳香基团）、5824 cm^?1（CH₂）、5184 cm^?1（来自多糖等大分子的O–H）、约4820 cm^?1（与肽基团相关的COON₂、与含氮化合物相关的N–H和C=O基团）以及约4368 cm^?1（与肽基团相关的CONH₂及与肽相关的C=O基团）处显示差异；便携式仪器分析样品（图2B）主要吸收带在约8340、8290、7855和7352 cm^?1，分别与CH₃甲基、CH甲基和CH基团相关，这些波数可与聚合物及面包化学组成相关联；此外约6973和6293 cm^?1可归因于与CH₂和CH₃基团相关的CH振动合频带以及OH伸缩第一倍频，与面包和绿色蔬菜（如菠菜）中水分及酚类化合物（Ar-OH）有关。台式仪器四基质合并集部分：对BSFL粉、香蕉、菠菜和面包屑合并样品，交叉验证决定系数（R²CV）与标准误差（SECV）为0.76和0.72%，使用CV与测试集时分别为0.81和0.75%，验证集SEP为0.78%。便携式与台式仪器比较部分：在排除BSFL粉、由香蕉、菠菜和面包屑组成的合并数据集上，便携式仪器CV的R²CV为0.92、SECV为0.38%，校正集（CAL）R²CV为0.95、SECV为0.32%，独立验证R²为0.91、SEP为0.41%；台式仪器CV、CAL和验证（VAL）的R²CV分别为0.81、0.81和0.78，对应误差为0.59%、0.60%和0.65%；独立验证RPD在便携式与台式仪器分别为3.6和2.3，便携式仪器预测性能更优，决定系数更高、预测误差更低。RPD与检出限、定量限部分：RPD用于评价校正模型预测能力，数值介于2～4.7之间，便携式仪器产生最佳校正与预测指标（RPD>4），无论使用何数据集建模，台式仪器RPD均低于便携式仪器；LOD与LOQ按材料与方法中方程计算，LOD与LOQ值范围分别为1.1%～2.6%和3.2%～7.8%，便携式仪器在本研究所考察数据集上给出优于台式仪器的LOD与LOQ值；需注意所报道LOD与LOQ系由RMSEP估算，代表模型误差推导的指示性阈值而非实验验证的分析限，尤其估算LOQ为7.8%已超过所评价的最大聚合物浓度（5.0%），表明在所考察校正范围内无法建立该阈值下的可靠定量；此外相对较高的估算检出与定量限凸显了近红外光谱在环境相关浓度下监测微塑料污染的当前局限，本研究结果应被解释为对不同食品与饲料基质中聚合物浓度预测的可行性评估，尚需进一步优化与验证以确立其在痕量浓度下的适用性。回归系数部分：台式仪器对全部样品及香蕉、菠菜和面包屑混合物的回归系数出现在约8240 cm^?1（CH₂）、约6946 cm^?1（CH与CH₂及O–H芳香基团）、5824 cm^?1（CH₂）、5184 cm^?1（来自多糖等大分子的O–H）、4820 cm^?1（与肽基团相关的COON₂、与含氮化合物相关的N–H和C=O基团）以及约4368 cm^?1（与肽基团相关的CONH₂及C=O基团）；便携式仪器的回归系数主要吸收带在约8992、8298、7692、7220和6578 cm^?1，分别与CH₃甲基、CH甲基和CH基团相关，约6973和6293 cm^?1可归因于与CH₂和CH₃基团相关的CH振动合频带以及OH伸缩第一倍频，与所分析样品中水分和酚类化合物（ArOH）有关。讨论部分进一步指出，MP是在受控实验室条件下人工添加到不同食品与饲料原料基质中的，该方法学对方法开发有用，但不能完全代表食品产品与饲料原料中MP的真实污染；便携式与台式近红外仪器预测样品中添加MP或聚合物浓度的比较也使用了不同光学/仪器，校正统计量（如SECV和RPD值）的差异可能由仪器间固有差异解释，如照明面积与光学几何（台式仪器使用积分球与便携式仪器直接窗口反射），此外短波近红外区水吸收干扰减弱也可能解释所观察到的统计量差异（如便携式仪器交叉验证改善）。

结论部分译文如下：本研究评估了使用台式与便携式近红外仪器对组成不同的食品与饲料基质中PE、PET和PP浓度的定量预测，此外，独立验证的使用为所开发模型的预测性能提供了额外证据。结果表明，校正与验证性能随数据集组成、验证策略和所用近红外仪器而变化。对于包含BSFL粉、香蕉、菠菜和面包屑的合并数据集，台式仪器R²CV为0.76（SECV：0.72%），验证R²为0.78（SEP：0.78%）；对于排除BSFL粉的数据集，台式仪器R²CV为0.81（SECV：0.59%），验证R²为0.78（SEP：0.65%）；便携式仪器在三基质数据集上表现出更优预测性能，R²CV为0.92（SECV：0.38%），验证R²为0.91（SEP：0.41%），RPD为3.6。估算的LOD和LOQ随仪器与数据集变化，分别介于1.1%～2.6%和3.2%～7.8%，最低值由便携式仪器获得；然而这些基于模型误差的估算凸显了该方法在痕量浓度下检测微塑料污染的局限。为进一步拓展该技术的适用性，未来研究应评估显著更低的聚合物浓度、纳入更多食品与饲料基质，并考虑聚合物老化、风化与粒径等变量；使用独立样品批次和此前未代表的基质进行进一步外部验证也将为模型稳健性和普适性提供有价值的信息；此外，应研究校正模型在不同近红外仪器间的可迁移性，尤其考虑光学配置、光谱范围和信噪比的差异。总体而言，本研究推进了近红外光谱作为快速、无损方法用于预测异质食品与饲料材料中微塑料浓度的应用，同时强调在农业与食品部门将其用于常规污染监测之前仍需进一步优化与验证。