《Microchemical Journal》：High-throughput screening of starch physicochemical properties through miniaturized rapid viscosity analysis and Chemometric data processing
编辑推荐：
非破坏性检测杏仁苦味：基于壳部FTIR与机器学习模型的研究。通过傅里叶变换红外光谱分析200份甜苦杏仁样本壳部，结合随机森林-支持向量机模型，实现98.97%的分类准确率，为工业级快速筛查提供新方法。
Mojtaba Afsharipour|Mohsen Shamsi|Fahimeh Ghasemian|Hojatollah Khabazzadeh
伊朗克尔曼省沙希德·巴霍纳尔大学生物系统机械工程系
摘要
快速且无损地识别苦杏仁对于食品安全和工业加工至关重要，因为苦味来源于扁桃苷（amygdalin），这是一种集中在杏仁核中的氰化物化合物。传统的筛查方法依赖于对杏仁核的分析，这种方法劳动强度大，不适合大规模应用。在这项研究中，提出了一种新的分析方法，即使用杏仁壳而不是杏仁核作为无损且可扩展的苦味鉴别矩阵。共有200个杏仁样本（100个甜杏仁和100个苦杏仁）通过傅里叶变换红外（FTIR）光谱结合四种监督学习算法进行了分析：线性判别分析（LDA）、偏最小二乘判别分析（PLS-DA）、随机森林（Random Forest）以及随机森林-支持向量机（RF–SVM）混合模型。其中，RF–SVM模型表现最佳，分类准确率达到98.97%，证实了杏仁壳的化学成分能够可靠地反映与扁桃苷含量相关的杏仁核特性。结果表明，基于杏仁壳的FTIR分析提供了一种实用、快速且适用于工业的替代方法，为杏仁加工设施中的高通量、无损苦味筛查奠定了基础。
引言
杏仁（Prunus dulcis）是全球最具经济价值的坚果之一。2020年，全球杏仁产量约为410万吨，种植面积接近230万公顷。主要生产国包括美国、澳大利亚、土耳其、伊朗、摩洛哥、西班牙和巴基斯坦，这些国家的年市场价值超过80亿美元[1]、[2]。除了营养价值外，杏仁在制药、化妆品和食品工业中也扮演着重要角色，而质量保证与消费者安全密切相关。
对于加工者来说，区分苦杏仁和甜杏仁是一个极具挑战性的问题。苦杏仁含有扁桃苷，这种氰化物苷类化合物在水解时会释放氰化氢。即使少量氰化氢也可能具有毒性；在甜杏仁产品中，浓度低至20 mg kg?1就可能对健康构成急性风险[3]。苦味的遗传控制加上不可预测的异花授粉进一步增加了复杂性[4]。实际上，即使在一批甜杏仁中只有少数苦杏仁核，也可能导致整批产品无法销售，给种植者和分销商带来巨大经济损失。
传统的检测方法虽然准确，但不适合工业应用。高效液相色谱（HPLC）和气相色谱（GC）通常需要4-6小时才能完成一个样本的分析，且需要操作人员具备专业知识，同时仪器成本较高[5]。最近的研究方法，如近红外（NIR）光谱和高光谱成像（HSI），在杏仁核分类方面表现出高准确性[6]。尽管NIR和HSI是非破坏性技术，但它们在苦味检测中的应用通常依赖于对杏仁核的测量，这使得样本不适合商业使用，并且往往需要大量的高光谱数据处理。
相比之下，傅里叶变换红外（FTIR）光谱因其速度快、成本相对较低以及样品制备要求简单而具有吸引力。FTIR可以检测功能基团的分子振动，并在400–4000 cm?1范围内生成特征光谱指纹，从而实现高分辨率的化合物识别[7]、[8]。最近的研究表明，FTIR在多种食品质量检测应用中都非常有效，包括油脂、蜂蜜、豆类和坚果的掺假检测与真实性评估[9]、[10]、[11]。与NIR和HSI相比，FTIR通常能以更低的成本提供更高的光谱分辨率，当与光纤探头结合使用时，其在工业规模应用中具有巨大潜力[12]。
以往的研究主要集中在直接对杏仁核进行FTIR或NIR光谱分析。例如，Cortés等人[13]、[14]、[15]成功地利用FTIR/NIR组合方法预测了扁桃苷含量并分类了西班牙杏仁品种；Torres等人[6]使用NIR光谱检测到了甜杏仁中低至5%的苦杏仁污染。然而，基于杏仁核的分析方法存在明显缺点：它需要破坏性取样，并会使不饱和脂肪酸、生育酚和酚类抗氧化剂等敏感化合物暴露于氧化环境中，从而降低其营养价值和市场价值[16]、[17]。
机器学习的进步显著提升了光谱分析的能力。支持向量机（SVM）等算法在基于拉曼光谱的分类任务中表现优于传统模型，甚至超过了卷积神经网络（CNN）[18]。随机森林（RF）模型因其抗过拟合能力和可解释性而受到重视，在红外数据集中的准确率超过了95%[19]。在农业应用中，偏最小二乘判别分析（PLS-DA）和线性判别分析（LDA）常用于区分甜杏仁和苦杏仁，准确率通常在95–99%之间[14]、[20]。总体而言，这些发现表明，将光谱技术与先进的机器学习方法结合使用为食品安全和质量保证提供了一种有前景且可扩展的策略。
尽管在基于杏仁核的光谱分析方面已有大量研究，但杏仁壳的分析潜力尚未得到充分探索。杏仁壳和杏仁核共享协调的苯丙素和次级代谢物生物合成途径，导致酚类、木质素衍生物和扁桃苷前体在壳组织中积累。在果实发育过程中，这些化合物通过维管组织运输并在壳中积累，形成了与杏仁及相关物种的核成分高度相关的化学特征[21]、[22]、[23]、[24]、[25]。这些代谢联系为基于壳的检测提供了强有力的生化依据。因此，本研究首次系统地提出了使用杏仁壳光谱进行非破坏性区分甜杏仁和苦杏仁的FTIR–机器学习框架，这是该领域首个全面的基于壳的分析策略。
本研究的主要目标是开发一种快速、无损的分类方法，其准确性与破坏性基于杏仁核的方法相当。具体而言，研究旨在：（i）表征与扁桃苷含量相关的壳和核生化特征之间的光谱相关性；（ii）优化预处理和归一化策略以提高分类准确性；（iii）将化学计量技术（PCA、LDA和PLS-DA）与机器学习算法（随机森林和SVM）相结合；（iv）将基于壳的模型与传统的破坏性方法进行对比，以评估其工业可行性。
样本收集和初步处理
为了确保足够的统计功效，根据Cochran公式为无限总体确定了样本量[26]。共收集了200个杏仁样本，包括100个来自
品种的甜杏仁和100个来自 L. var. (DC.) Focke的苦杏仁，以提高模型可靠性并保持与早期研究的一致性[27]、[28]。这些杏仁样本来自伊朗多个地区的商业果园，涵盖了多样的结果与讨论
尽管对杏仁壳的研究相对较少，但它对防止水分侵入、虫害和真菌污染起着重要的保护作用[32]、[33]。据我们所知，本研究首次结合FTIR光谱和机器学习技术，利用杏仁壳光谱区分甜杏仁和苦杏仁，提供了一种完全无损的替代传统基于杏仁核的方法。
基于壳的分析方法与
结论
本研究提出了基于壳的FTIR光谱结合机器学习的方法，用于快速、准确地无损区分甜杏仁和苦杏仁。通过针对关键的化学标志物（如C
O酯振动（≈1740 cm
?1）、CH?伸缩带（≈2923 cm
?1）以及O
H/N
H伸缩模式（≈3447 cm
?1），所提出的框架实现了近乎完美的分类性能，使用RF–SVM模型的准确率约为98%。
与传统方法相比
手稿准备过程中生成式AI和AI辅助技术的声明
在准备本研究的过程中，作者使用了ChatGPT-5来协助翻译、总结先前研究并提高语言清晰度。所有生成的内容随后都经过作者的审查、修改和批准，作者对最终版本的手稿负全责。
CRediT作者贡献声明
Mojtaba Afsharipour：撰写 – 原稿撰写、可视化、验证、软件开发、资源管理、方法论设计、实验设计、数据分析、数据整理、概念构建。Mohsen Shamsi：撰写 – 审稿与编辑、验证、监督、项目管理。Fahimeh Ghasemian：撰写 – 审稿与编辑、验证、监督、软件开发、项目管理、概念构建。Hojatollah Khabazzadeh：撰写 – 审稿与编辑、验证、资源管理
未引用参考文献
[36], [41]
利益冲突声明
作者声明他们没有已知的财务利益或个人关系可能影响本文的研究结果。
