《Journal of Dairy Science》：Rapid quantitative detection of psychrotrophic bacteria in raw milk using near-infrared transmission spectroscopy
编辑推荐：
为解决传统检测方法耗时耗力、无法满足乳品行业快速微生物安全评估需求的问题，研究人员开展了一项关于利用近红外透射光谱（NIRTS）结合化学计量学方法定量检测原料奶中嗜冷菌的主题研究。他们成功开发了SG-UVE-LSTM（Savitzky–Golay平滑-无信息变量消除-长短期记忆网络）预测模型，该模型在预测集上取得了优异的性能（R2p= 0.9277，RMSEP = 0.2820 log cfu/mL，RPD = 3.8256）。该研究为原料奶中嗜冷菌污染的快速筛查提供了一种高效、可靠的无损检测新技术。
想象一下，一杯看似新鲜、营养丰富的牛奶，可能正悄悄地滋生着一群“冰箱里的破坏分子”——嗜冷菌。这些微生物的恐怖之处在于，即使在冰箱冷藏温度（7°C）下，它们也能缓慢生长，并在生长过程中分泌出能够耐受后续高温处理的酶。这些酶会持续分解牛奶中的蛋白质和脂肪，导致产品在保质期内就出现沉淀、结块、产生异味等问题，不仅影响口感和品质，更对消费者的健康构成潜在威胁。在乳制品行业中，如何快速、准确地检测出原料奶中的嗜冷菌含量，是保障产品质量安全、减少经济损失的一道关键防线。然而，传统的微生物检测方法，如平板计数法，通常需要数天时间才能得出结果，无法满足现代乳品生产线对快速安全筛查的迫切需求。聚合酶链式反应（PCR）、流式细胞术等方法虽有所提速，但仍存在操作复杂、设备昂贵或灵敏度不足等局限。因此，开发一种快速、无损、高效的检测技术，已成为乳品行业的迫切需求。近红外光谱（NIRS）技术因其快速、无损、无需复杂前处理等优点，在食品成分分析领域展现出了巨大潜力，但其在乳品微生物污染检测中的应用研究相对较少。本研究正是瞄准这一技术空白，旨在探索并建立一种基于近红外透射光谱（NIRTS）的原料奶中嗜冷菌快速定量检测方法，以期实现从数天到数秒的检测速度跨越。这项研究发表在食品科学领域的重要期刊《Journal of Dairy Science》上，为解决乳品行业微生物快速检测难题提供了创新性的解决方案。
为了构建快速、准确的嗜冷菌定量预测模型，研究人员整合应用了多项关键技术。首先，他们采集了来自中国宁夏灵武市不同规模牧场的71份有效原料奶样本，以确保样本的代表性。样本中的嗜冷菌含量通过标准平板计数法获得，并作为参考值。核心技术是光谱采集与处理：使用便携式近红外光谱仪（NIR-T210）在900–1700 nm波长范围内获取样品的透射光谱。为了提升模型精度，研究采用了多种光谱预处理方法（如Savitzky–Golay平滑）来消除噪声，并运用了四种特征波长选择算法（包括竞争性自适应重加权采样CARS和无信息变量消除UVE）从高维光谱数据中提取关键信息变量。最后，研究综合比较了三种建模算法：传统的偏最小二乘回归（PLSR）、集成学习算法随机森林（RF）以及能够捕捉序列数据中长期依赖关系的深度学习算法长短期记忆网络（LSTM）。
研究结果通过多个部分系统地呈现：
1. 原料奶光谱数据分析：对嗜冷菌浓度进行对数转换后，将其划分为四个梯度，并分析了不同浓度梯度样品的平均透射光谱。研究发现，光谱在930 nm（脂肪C-H键三倍频振动）、970 nm（水O-H键三倍频振动）、1150 nm（C-H键二倍频吸收）、1400–1450 nm（O-H键振动）及1650 nm（蛋白质N-H键一倍频振动）附近存在特征吸收峰。特别值得注意的是，在1680 nm处观察到最显著的吸光度差异，这可能与嗜冷菌代谢产生的胞外聚合物中羟基含量变化有关。
2. 光谱预处理：比较了移动窗口平滑（MW）、Savitzky–Golay平滑（SG）、标准正态变量变换（SNV）和多元散射校正（MSC）四种预处理方法对PLSR、RF和LSTM模型性能的影响。结果表明，SG预处理方法在三种模型上均表现出最稳定和显著的性能提升。其中，SG-LSTM组合模型在预处理后表现最优，预测集决定系数R2p达到0.8546，均方根误差RMSEP为0.3997 log cfu/mL。
3. 特征变量提取：为了克服近红外光谱数据的高维性和强波长间相关性带来的建模挑战，研究比较了CARS、间隔变量迭代空间收缩方法（iVISSA）、UVE和迭代保留信息变量（IRIV）四种特征选择算法的效果。结果表明，UVE算法选出的78个特征波长与LSTM模型结合后表现最佳。特征波长的选择有效降低了数据维度，同时保留了关键光谱信息，为构建高效预测模型奠定了基础。
4. 定量模型构建：综合比较了不同特征选择方法与建模算法的组合性能。结果显示，在相同的SG预处理基础上，结合不同特征选择算法构建的模型中，LSTM模型均优于RF和PLSR模型。其中，SG-UVE-LSTM模型取得了最佳的预测性能，其预测集决定系数R2p为0.9277，预测均方根误差RMSEP为0.2820 log cfu/mL，残差预测偏差RPD达到3.8256（RPD ≥ 3表示模型具有优异的预测性能）。
5. 模型性能验证：通过配对样本t检验对最优SG-UVE-LSTM模型的预测结果进行统计验证。结果表明，测量值与预测值之间无显著差异（P > 0.05），验证了该回归模型能够有效预测原料奶中嗜冷菌的含量。
研究结论与讨论部分总结了本研究的核心发现与意义。本研究成功地将近红外透射光谱技术与化学计量学方法相结合，建立了一种能够快速定量检测原料奶中嗜冷菌的新方法。通过系统比较，SG-UVE-LSTM模型组合被证明是最优方案，其预测精度显著高于传统的PLSR和集成学习RF模型，这证实了深度学习模型在处理复杂非线性光谱数据方面的独特优势。与传统需要数天培养时间的平板计数法相比，该技术将检测时间缩短至秒级，且无需复杂的样品前处理，为实现乳制品生产过程中的在线、快速微生物安全监测提供了切实可行的技术方案。
研究意义深远。首先，该方法为解决乳品行业长期面临的嗜冷菌快速检测难题提供了一种创新、高效的技术路径。其次，它验证了深度学习算法（特别是LSTM）在复杂食品体系光谱分析中的应用潜力，为利用人工智能提升食品质量安全检测水平提供了新思路。最后，该研究建立的技术框架不仅适用于原料奶，也为其他食品基质中微生物的快速无损检测提供了有价值的参考。当然，研究也指出了当前工作的局限性，如样本量相对有限（n=53）以及细菌浓度分布不均可能影响模型的稳定性和泛化能力。为此，作者展望了未来研究方向，包括扩大样本来源以构建更具代表性的标准化样本库，以及利用生成对抗网络（GAN）等智能数据增强技术来合成具有物理意义的合成光谱数据，从而有效扩充训练集，进一步提升模型的鲁棒性和适用范围。总之，这项研究为开发下一代快速、智能的乳品安全监控系统奠定了坚实的技术与理论基础。
