综述：下一代食品安全技术：利用人工智能增强生物传感器实现智能污染物监测

《Microchemical Journal》：Next-generation food safety: AI-augmented biosensors for intelligent contaminant monitoring

　　Kundan Kumar Mishra | Krupa.M. Thakkar | Jahnvi Shree Raj | Yesh Harkara | Shanmathi Venkatesan | Aysha Mahmood | Sushil Kumar | Shalini Prasad
德克萨斯大学达拉斯分校生物工程系，美国德克萨斯州理查森市，邮编75080

**摘要**
食品污染监测正从集中式实验室检测转向便携式、数据驱动的监控方式，但该领域在污染物类别、传感模式和分析工作流程方面仍存在分割。在本文中，我们综合了近几年来用于检测复杂食品基质中重金属、农药、过敏原、霉菌毒素和食源性病原体的生物传感器的最新进展。我们比较了电化学、光学、压电、热学、酶学、免疫学、适配体基、核酸基和全细胞策略，强调了每种方法的优缺点及转化应用中的难点。文献显示，电化学和适配体基平台在灵敏度、便携性和多重检测能力方面表现出色，而光学系统则在低噪声读数和侧向流兼容性方面具有优势，但可能受到基质效应、标记要求或定量稳健性的限制。此外，我们还探讨了人工智能（AI）方法（包括支持向量机、随机森林、卷积神经网络和多模态数据融合）如何改进电化学、光谱、比色和成像数据的解读，以用于分类、定量和预警。对近期研究的深入分析表明，工业应用的主要障碍不仅在于传感器的灵敏度，还涉及数据集质量、标准化、可解释性、监管验证以及与数字食品安全工作流程的整合。最后，我们提供了SWOT分析和发展路线图，指出标准化数据集、可解释的AI技术、边缘连接设备以及在真实食品基质中的验证是下一代智能食品污染物监测的关键优先事项。

**引言**
由于化学、生物和环境危害的日益普遍，食品安全已成为一个全球性重要问题，这些危害威胁着人类健康和食品安全。现代食品系统面临着来自农药残留、重金属、致病微生物和食品过敏原等多种污染源的挑战，这些因素可能导致急性和慢性健康问题[1]–[8]。这些毒素加上由于长期使用农药而引起的环境污染和微生物变质，给公众健康带来了严重风险，尤其是在发展中国家[2]、[9]。农业中持续使用农药导致土壤和水源污染，使得化学物质在植物和动物组织中生物累积，这与神经系统疾病、内分泌紊乱、生殖毒性以及人类癌症风险增加有关[10]。重金属污染仍是一个全球性问题，因为它会降低作物品质，在可食用植物部分累积，并在长期摄入后引发基因损伤或致癌作用。除了化学危害外，食品过敏原也是一个重大的公共卫生问题。随着全球食品加工、进口和交叉污染的增加，快速检测微量过敏原残留的需求也在增加。生物危害（如沙门氏菌、大肠杆菌、单核细胞增生李斯特菌和腐败微生物）仍是食源性疾病的主要原因。根据世界卫生组织的数据，不安全食品每年导致超过6亿例疾病和42万人死亡，凸显了更有效的监测系统的迫切需求[11]。

历史上，食品污染物检测依赖于金标准分析技术，如酶联免疫吸附测定（ELISA）、质谱（MS）、高效液相色谱（HPLC）和气相色谱（GC）。尽管这些实验室方法具有优异的灵敏度和选择性，但它们成本高昂、耗时且需要专业人员和基础设施。其有限的便携性和高运营成本使它们不适合作为常规现场筛查或食品供应链中的实时决策工具，从而在早期危害检测和风险管理方面存在空白[9]。这些限制推动了快速、简单且高灵敏度检测技术的发展，这些技术可以部署在生产和消费点附近，以确保食品安全和消费者保护[9]。为应对这些挑战，生物传感器（一种结合了生物识别元件和物理化学转换器的化学传感器）已成为食品安全检测的变革性技术。生物传感器利用酶、抗体、适配体、DNA、RNA、抗原、细胞或肽等生物识别分子来选择性地识别污染物，而电子、电化学、光学、压电或热转换器则将这些相互作用转化为可量化信号。这类设备在检测重金属、农药、过敏原、霉菌毒素、微生物病原体以及食品新鲜度和腐败标志物方面表现出显著效果，通常具有较短的检测时间和最小的样品制备要求[9]–[13]。一个有效的食品生物传感器包括生物识别层、转换器和信号处理单元；其实际价值不仅取决于灵敏度和检测限，还取决于选择性、响应时间、稳定性、重复性、抗基质效应的能力以及在实际食品样品中进行多重分析的适用性。

**最新创新**
纳米材料增强电极、微纳结构界面、微流控平台和便携式即时检测格式进一步提升了几种生物传感器的性能，提高了检测灵敏度，降低了检测限，并实现了复杂食品基质中的多重检测[14]–[18]。纳米技术（如石墨烯、金属纳米颗粒、量子点、介孔材料）显著增强了电子转移、催化活性和信号分辨率，而纸基和芯片实验室格式则便于低成本、现场部署的检测[12]–[20]。这些进展推动了向食品安全的转变，使传感平台集成到食品供应链中的互联互通、数据丰富的监控网络中。这些进步也与食品行业的主要趋势相一致，包括智能包装、数字可追溯性、清洁标签制造、分散式质量控制以及联网的冷链监控，这些趋势要求快速现场检测以支持实时决策、减少浪费、增强消费者信心并提高全球供应链的监管合规性[19]–[21]。[14]–[18]。

**人工智能（AI）和机器学习（ML）**
人工智能（AI）和机器学习（ML）已成为从复杂生物传感器输出中提取信息的强大工具[22]、[23]。光谱、电化学阻抗特征、伏安图和成像数据通常包含难以用传统基于阈值的分析方法解释的微妙多维特征。通过利用ML和深度学习算法，研究人员可以进行模式识别、噪声降低、多分析物定量和自动分类，从而在异质性和易受干扰的食品基质中提高准确性和稳健性[24]、[25]、[26]。当与无线通信和物联网（IoT）架构结合时，AI支持的生物传感器能够实现连续、智能的监测和污染事件预测分析——这是食品安全的关键要素。这种融合将食品安全从检测转变为供应链中的连续、数据驱动的预防性监控。

**综述**
多项综述总结了针对食品污染物的生物传感器技术，重点关注特定分析物类别（如农药、重金属、霉菌毒素或病原体）或特定的转换机制[9]–[21]。其他近期研究则聚焦于基于AI或ML的食品安全和微生物诊断方法，通常将生物传感器主要视为数据来源，而没有系统地讨论传感器设计和性能[24]–[27]。然而，仍需要一个综合视角，同时考虑（i）主要食品污染物类别中的生物传感器多样性以及（ii）AI在处理、解释和利用生物传感器数据方面的新兴作用。本文通过在一个统一的框架内联合探讨生物传感器和AI，解决了这一差距。具体来说，我们（i）概述了针对关键污染物类别（包括重金属、农药、过敏原、霉菌毒素和食源性病原体）的生物传感器检测策略；（ii）讨论了这些生物传感器平台在真实食品基质中的优势和局限性；（iii）批判性地研究了AI和ML如何与生物传感器系统结合，以提高食品安全方面的灵敏度、特异性、通量和决策支持（见图1）。通过将传感器设计的进展与数据驱动分析的进步结合起来，本文旨在阐明AI支持的生物传感如何从实验原型发展为可靠的、可现场部署的工具，从而提升日常食品产品的安全性和质量。

**搜索策略和范围**
本文基于Web of Science、Scopus、PubMed、ScienceDirect和针对性的Google Scholar搜索，对基于生物传感器的食品污染物检测及其与人工智能（AI）的集成进行了叙述性综合。主要关注2000年至2025年间发表的文献，特别是过去十年的进展，同时参考了早期基础研究以提供背景信息。搜索词包括与传感器相关的关键词。

**关键词**
用于检测食品污染物的生物传感器
生物传感器根据生物识别元件的类型和使用的转换系统进行分类。生物组分或生物受体的示例包括酶、细胞和组织，它们允许在传感器上选择性地与分析物相互作用。当相互作用发生时，会释放少量能量，这些能量被转换为可分析的电信号[28]。根据分析物相互作用的不同，生物传感器可以分为生物催化传感器和亲合传感器。

**生物传感器检测食品污染物的优势和局限性**
生物传感器在食品污染物分析中具有明显优势：它们可以缩短检测时间，减少对集中实验室的依赖，在生产、加工、分销或零售环节支持接近实时的决策。然而，不应认为所有生物传感器的价值都相同。它们的实际性能取决于污染物类别、基质复杂性、样品制备负担、所需的灵敏度等。

**人工智能在检测中的应用**
人工智能（AI）正成为提高可食用和饮用水源中传染性微生物检测效果的强大工具。研究人员通过使用深度学习（DL）和机器学习（ML）算法优化病原体检测平台的性能、精确度和自动化[24]。在更广泛的食品安全背景下，同样的计算方法也被扩展应用于化学污染物、过敏原和复杂食品中的霉菌毒素。

**AI增强型生物传感器的SWOT分析**
SWOT（优势、劣势、机会和威胁）分析为评估AI增强型生物传感器在现代食品安全系统中的转化潜力提供了有用框架（见图5）。随着食品监测从集中式实验室检测向分布式、数据驱动的监控转变，集成AI的生物传感器越来越多地被视为实现快速检测、预测分析和实时决策支持的关键技术。

**未来方向和机遇**
未来的进展将依赖于标准化、公开基准的数据集，这些数据集应反映真实的食品多样性而不仅仅是理想条件。研究应报告分析灵敏度、基质组成、样品制备步骤、批次间变异性、外部验证和故障案例。共享的基准测试实践将有助于比较不同平台、重现结果，并确定AI模型真正提升性能的地方。

**结论**
确保日益复杂和全球化的食品安全需要既灵敏又具备选择性的分析工具，同时还需要快速、便携且在决策点附近运行的工具。本文表明，生物传感器非常适合补充传统实验室方法，尤其是在电化学、光学和多重检测格式与稳健的识别化学方法和便携式设备结合使用时。

**作者贡献声明**
Kundan Kumar Mishra：撰写——审稿与编辑、初稿撰写、验证、软件开发、项目管理、资金获取、正式分析、数据管理、概念化。
Krupa.M. Thakkar：撰写——审稿与编辑、初稿撰写、方法论开发、正式分析、数据管理。
Jahnvi Shree Raj：撰写——审稿与编辑、初稿撰写、方法论开发、正式分析、数据管理。
Yesh Harkara：撰写——审稿与编辑、初稿撰写。

**利益冲突声明**
作者声明没有已知的可能影响本文工作的竞争性财务利益或个人关系。

**致谢**
在准备本手稿的过程中，作者使用了Microsoft Copilot（2025年9月版本）进行语法校正、句子重组、清晰度提升和整体语言优化。作者审阅并编辑了最终版本，并对本文内容负全责。