《Spectrochimica Acta Part A: Molecular and Biomolecular Spectroscopy》:Extraction of Raman spectral features and rapid identification of rice origin and storage years
编辑推荐:
针对大米产地与储存年份造假问题,本研究创新性融合常规拉曼光谱与表面增强拉曼散射(SERS)技术,结合卷积神经网络(CNN)构建多维度检测模型。通过分析七大战区稻米样本的宏观成分(淀粉、蛋白质)光谱特征,建立98.57%精度的产地鉴别体系;利用银纳米粒子辅助SERS检测到储存3年大米中腺嘌呤含量显著增加,为年份鉴别提供新生物标志物。研究证实宏观成分与微代谢物协同检测可提升粮食质量评估的准确性和可解释性。
Jingyang Wei|Guoqiang Fang|Bing Zhang|Jiheng Zhang|Lizhi Li|Wenhao Li|Jingkun Yuan|Siqingaowa Han|Wuliji Hasi
哈尔滨工业大学郑州研究院,中国郑州450000
摘要 原产地伪造和劣质陈年大米的欺骗性营销对粮食市场监管和食品安全构成了挑战。本研究提出了一种结合拉曼光谱与深度学习的方法,用于表征和识别大米的原产地和储存年份。具体来说,我们从中国七个主要生产区域收集了九个大米样本,包括一个代表性品种的三年储存系列。在原产地表征方面,使用传统的拉曼光谱分析了大分子的振动模式。结果表明,光谱变化主要与淀粉微观结构有关,特别是反映了结晶度和支链淀粉与直链淀粉比例的差异,这些差异由地理因素驱动,并使用经典的化学方法检测淀粉以验证光谱的分析准确性。基于此,基于这些光谱训练的卷积神经网络(CNN)在原产地分类方面达到了98.57%的准确率。关于储存年份,传统的拉曼光谱最初揭示了由老化引起的淀粉和蛋白质的结构重组。为了探索与大米老化相关的微量代谢物变化,使用银纳米粒子辅助的SERS技术检测到老化大米中腺嘌呤信号的增加。这些结果表明,腺嘌呤可能作为未来储存年份鉴别的指标。本研究表明,将宏观成分分析与微量代谢物表征相结合,为质量评估提供了一种有效的、可化学解释的策略。
引言 大米是全球重要的粮食作物,为世界一半以上的人口提供基本营养和能量。随着全球社会经济的发展和生活水平的提高,消费者对大米质量的要求已经从满足基本饮食需求转变为优先考虑营养价值和健康[1]。具有特定地理标志的高质量大米,如黑龙江五常大米和广东香米,由于独特的地理和气候条件而具有优越的品质[2]。然而,巨大的经济利益驱使了食品欺诈行为,主要表现为两种方式:将低成本的普通大米与高端品牌混合,或将陈年大米抛光和打蜡后作为新大米出售。陈年大米不仅口感、粘性和营养成分会下降,还更容易受到黄曲霉素等真菌毒素的污染。此外,它还会积累丙二醛,这对人类健康构成风险[3]、[4]、[5]。因此,开发一种能够同时验证粮食地理原产地和生产年份的全面检测策略对于维护市场秩序、保护品牌价值和确保公共食品安全具有重要的实际意义。
目前,大米质量评估主要依赖于感官评估、物理化学分析和分子生物学方法。感官评估具有主观性且重复性较差,而GC–MS、HPLC和电子舌方法可以提供详细的化学信息,但通常需要繁琐的预处理、较长的分析时间和高昂的成本,限制了它们在大规模现场筛查中的应用[6]、[7]、[8]。例如,Lu等人使用电子舌结合信息熵进行原产地和品种识别,但该方法仅限于液体提取物[9]。Xu等人通过储存过程中释放的挥发性化合物间接评估大米老化,但这种方法需要封闭环境和较长的检测时间[10]。
拉曼光谱作为一种基于非弹性散射的分子指纹技术,可以提供丰富的分子振动信息,并在快速和无损食品分析方面受到越来越多的关注[11]、[12]、[13]。同时,深度学习在光谱分析方面显示出强大的潜力,因为它具有端到端的特征提取能力和处理复杂高维数据的能力[14]、[15]、[16]。先前的研究已经证明了基于拉曼的大米分析的可行性。例如,Wei等人结合共聚焦显微拉曼光谱和机器学习对不同来源的大米中的淀粉含量进行了定量检测[17]。Kadam等人使用拉曼光谱与PCA和PC-LDA相结合,以73%的准确率区分了40个大米品种[18]。Guo等人使用红外和拉曼光谱表征了大米老化过程中的变化[19]。
上述研究表明,通过分析大米成分,拉曼光谱在识别大米原产地和储存年份方面是可行的,但仍存在两个限制:首先,现有的原产地识别研究主要集中在宏观成分的统计分析上,缺乏将光谱特征与淀粉微观结构联系起来的表征。其次,大米老化是一个复杂的生化过程,不仅包括宏观分子的结构重组,还包括核酸降解等微观过程,这些过程会产生微量代谢物。传统拉曼光谱的灵敏度有限,难以在低浓度下捕捉这些特征标记物,从而导致对老化机制的分子层面解释不完整。表面增强拉曼散射(SERS)凭借其高灵敏度和对特定分子的吸附增强效应,提供了检测这些微量代谢物的可能性[20]、[21]。SERS不仅可以克服传统拉曼在低浓度检测方面的局限性,还可以通过纳米基底的大小选择效应过滤掉大分子的干扰,并特异性放大老化标记物的信号。然而,现有研究缺乏使用SERS检测大米老化过程中特定微量代谢物的应用。
鉴于这些问题,本研究提出了一个结合传统拉曼光谱、SERS和深度学习的综合分析框架。对于品种鉴别,使用传统拉曼光谱分析了来自中国七个主要生产区域的大米样本,以捕获淀粉和蛋白质等主要成分的光谱指纹。进一步测量总淀粉和支链淀粉/直链淀粉含量,以验证拉曼特征峰比与化学成分之间的关系。在此基础上,构建了一个卷积神经网络(CNN),并与PCA-SVM、PLSDA-SVM和随机森林(RF)模型进行了比较。对于储存年份分析,引入了银纳米粒子的SERS技术,以探索与大米老化相关的腺嘌呤信号,从而补充了传统拉曼光谱在解释微量代谢变化方面的能力。这些方法共同构建了一个整合宏观光谱特征和分子层面老化信息的综合框架。
样本和试剂 为了构建一个具有代表性和普遍适用性的分类模型,本研究使用了来自中国七个主要产米区的大米样本,所有样本均从
JD.com 购买,编号为A至G。具体的原产地分布如下:黑龙江(A)、湖南(B)、江西(C)、广东(D)、浙江(E)、江苏(F)和安徽(G)。具体品种见表1。在选择大米样本时,考虑了广泛的地理分布、环境多样性和品种丰富性
不同产地大米的光谱数据收集与分析 为了实现大米原产地的快速识别,本研究首先建立了基于传统拉曼光谱的检测流程,如图1(A)所示,并分析了大米的光谱指纹。如图1(B)所示,原始大米光谱中存在强烈的荧光背景。经过基线校正和平滑处理后,信噪比显著提高,使微弱的指纹峰变得清晰可见。在图1(F)中,共检测到20个
结论 本研究针对全球大米产业中的原产地和年份欺诈问题,开发了一种结合拉曼光谱和深度学习算法的全面检测策略。为了实现原产地可追溯性,分析了不同产地大米的拉曼光谱差异,并通过筛选VIP > 1的13个差异特征峰,研究了大米中淀粉、蛋白质和脂质之间的差异。构建了一个CNN模型来识别大米
资助 本研究得到了国家自然科学基金 (项目编号:82160806)、哈尔滨工业大学郑州研究院博士后研究启动基金 (项目编号:BUGD0200500225)和黑龙江省“双一流”新一轮建设学科协同创新成果建设项目 (项目编号:LJGXCG2022–050)的支持。
利益冲突声明 作者声明他们没有已知的可能会影响本文工作的竞争性财务利益或个人关系。