《Micromachines》:Colorimetric Sensor Arrays Technology in Food Quality and Safety Analysis
编辑推荐:
比色传感器阵列(CSA)技术因其低成本、可视化读数、高灵敏度和适用于现场监测等优势,在食品质量与安全分析中得到了越来越多的应用。然而,目前仍缺乏一篇系统整合CSA技术在真实食品基质中的敏感材料、应用场景、分析策略及实际实施进展的专门综述。本综述总结了近5年发表
比色传感器阵列(CSA)技术因其低成本、可视化读数、高灵敏度和适用于现场监测等优势,在食品质量与安全分析中得到了越来越多的应用。然而,目前仍缺乏一篇系统整合CSA技术在真实食品基质中的敏感材料、应用场景、分析策略及实际实施进展的专门综述。本综述总结了近5年发表的相关研究中CSA技术的基本特征。文献检索使用关键词如'比色传感器阵列'和'食品质量检测',并按照预先设定的标准进行筛选,优先选择具有验证传感性能并在食品应用中经过实际验证的原创研究。重点放在敏感材料的设计和性能上。此外,采用任务导向框架,讨论了CSA在食品腐败检测、掺假识别、食品成分分析、污染监测、食品储存监测和挥发性化合物检测中的代表性研究。此外,对CSA系统与便携设备、机器学习算法和智能检测平台的集成进行了批判性分析。最后,强调了CSA技术在食品质量与安全分析中的检测特性、当前挑战和未来发展前景。本综述有望为食品行业中基于CSA的智能传感系统的进一步开发、优化和实际实施提供有价值的见解。
**2. Fundamentals of CSA Technology**
比色传感器阵列(CSA)技术源于光电子鼻系统,利用交叉响应的金属卟啉染料实现气味可视化,随后扩展到基于化学响应染料阵列的分子识别。
**2.1. Working Mechanism of CSA Technology**
CSA是交叉响应的光学传感平台,将食品基质的化学信息转化为比色指纹。其工作流程包括:使用卟啉、pH指示剂等化学响应染料固定在固体基底上制备传感器阵列;食品来源的挥发性有机化合物(VOCs)或其他化合物通过酸碱反应、金属配位、氢键等物理化学过程与染料相互作用,产生多点颜色变化;通过扫描仪、相机或智能手机采集阵列图像,提取红绿蓝(RGB)、灰度强度(CIE L*a*b*)等颜色特征,结合主成分分析(PCA)、线性判别分析(LDA)、支持向量机(SVM)等化学计量学或机器学习方法进行分析;深度学习模型也被用于减少对人工定义颜色参数的依赖。RGB成像低成本且适合便携设备,但易受光照和背景干扰;多光谱和高光谱成像可提供更丰富的信息,但成本更高。针对复杂基质中的响应重叠和背景干扰,研究人员采用了适配体辅助的纳米酶免疫分析、纳米抗体比色-表面增强拉曼散射(SERS)免疫传感器等策略以提高选择性。
**2.2. Sensitive Materials of CSA Technology**
敏感材料分为有机和无机两类。有机材料包括化学响应染料(pH指示剂、卟啉、天然色素等)、有机纳米颗粒、功能聚合物和免疫分析相关平台。天然色素因生物相容性和低毒性在食品应用中具有吸引力,但稳定性和批次一致性需关注;聚合物如水凝胶珠可对生物胺产生可见颜色变化。无机材料包括金纳米颗粒(AuNPs)、银纳米颗粒(AgNPs)、纳米酶、磁性纳米颗粒(MNPs)和金属有机框架(MOFs)。AuNPs和AgNPs通过聚集、分散或刻蚀产生颜色变化,适用于农药筛选和细菌鉴定;纳米酶提供催化信号放大;MNPs用于富集和分离;MOFs增强VOC富集。有机-无机杂化系统成为设计高性能CSA的实用策略,例如将金属卟啉/pH指示剂复合染料与ZIF-8修饰的氟硼二吡咯(BODIPY)染料结合,或使用UiO-66系列增强VOC响应。
**3. Application of CSA Technology in Food Spoilage Detection**
食品腐败涉及微生物生长、酶解、脂质氧化和VOC积累。研究中开发了纸基气味传感器阵列,将16种化学响应染料固定在季铵化纤维素纳米纤维(C-CNFs)上,形成多孔网络以促进气体扩散;采用按需打印技术制备的12通道pH响应阵列对NH
3和肉类腐败胺呈线性响应。水凝胶基质用于调控传感环境,如水果来源VOC检测。对于猪肉新鲜度监测,使用羧甲基纤维素薄膜负载UiO-66、离子液体调制的花青素和疏水纳米二氧化硅涂层,总挥发性碱性氮(TVB-N)测量表明从新鲜到腐败的转变。在数据分析方面,基于卟啉-pH指示剂CSA结合电荷耦合器件(CCD)或智能手机成像及RGB分析实现猪肉新鲜度分级;采用竞争性自适应重加权采样-支持向量机(CARS-SVM)模型对鸡肉TVB-N进行最优预测;通过静电纺丝制备的聚丙烯腈(PAN)纳米纤维垫CSA结合残差网络(ResNet)模型进行鱼肉新鲜度分类;结合可见光-近红外(Vis-NIR)光谱和线性判别分析/最近邻(LDA/KNN)模型对谷物新鲜度进行判别。
**4. Application of CSA Technology in Food Adulteration Detection**
针对掺假检测,液相CSA指纹分析直接分析样品提取物以揭示成分差异。例如,喷墨打印的pH指示剂CSA用于川贝母(FCB)掺假鉴别,结合偏最小二乘法(PLS)回归模型实现掺假值预测;基于酚红(PR)/Ni
2+指示剂置换阵列的三七(PN)掺假检测,利用支持向量回归(SVR)预测掺假水平;铜基纳米酶通过茶多酚抑制3,3',5,5'-四甲基联苯胺(TMB)氧化产生催化比色指纹,用于铁观音茶叶季节掺假判别。顶空策略方面,基于聚乙烯二氟(PVDF)膜的CSA结合PCA、层次聚类分析(HCA)和kNN模型用于大米掺假检测;花生油掺入菜籽油的顶空判别同样采用类似策略。固态和半固态基质中,基于染料/染料-Cu-MOF的纸基CSA结合LDA实现小麦霉变100%判别;低成本比色电子鼻结合Fisher线性判别分析(FLDA)、极限学习机(ELM)和反向传播人工神经网络(BP-ANN)用于牛肉掺假定性及猪肉掺假比例定量。多模态传感方面,结合羟萘酚蓝比色和钙黄绿素荧光的便携双通道平台用于肉类掺假现场鉴别;纸基荧光光学舌阵列用于牛奶掺假物(H
2O
2)量化;Vis-NIR光谱辅助CSA用于抹茶分类和玉米油中铅、汞检测。
**5. Application of CSA Technology in Food Composition and Contamination Detection**
内源性成分分析方面:铜单原子纳米酶平台评估果汁和茶的总抗氧化能力(TAC),通过TMB氧化实现定量监测茶发酵过程;金-二氧化锰(Au@MnO
2)水凝胶传感器检测发酵谷物中的淀粉,经酸水解转化为葡萄糖后,葡萄糖氧化酶(GOx)催化产生H
2O
2刻蚀纳米颗粒,结合智能手机RGB分析定量;铁-锰(Fe-Mn)双金属纳米酶用于果蔬中抗坏血酸(AA)的定量检测,通过TMB氧化产物褪色实现;金-铂(Au
2Pt)三通道纳米酶传感器阵列区分多种抗氧化剂,结合LDA区分不同食品的TAC指纹。污染物检测方面:谷胱甘肽-铁(GSH-Fe)纳米酶水凝胶系统检测农药福美双,检测限0.3 μg/mL;铁锰氧化物(FeMnOx)纳米酶结合智能手机平台检测敌敌畏(DDVP),基于乙酰胆碱酯酶(AChE)抑制机制,检测范围1–3000 ng/mL;基于氧化石墨烯-铂-金铱(GO-Pt
30-AuIr)纳米酶的纸基免疫层析系统同时检测Cd
2+和吡虫啉(IMI),在玉米和生菜中检测限达pg/mL水平;绿色合成的银纳米颗粒(AgNPs)纸基传感器用于牛奶中H
2O
2检测,检测限8.46 ppm。
**6. Application of CSA Technology in Food Storage and Volatile Compound Detection**
食品储存监测方面:基于四酮(TK)衍生物的SO
2响应智能标签用于果蔬实时监测,通过Michael加成引起颜色和荧光变化,在12分钟内完成检测;便携CSA装置实时监测白葡萄酒、普罗塞克和啤酒的pH值,与玻璃电极偏差仅0.01–0.05 pH单位;非接触顶空模式下,希夫试剂功能化SiO
2纳米颗粒纸基传感器监测乳制品,色差值ΔE与需氧菌计数线性相关(R
2 0.81–0.96);12通道pH响应CSA用于猪肉和虾的冷链监测,总色差与TVB-N线性相关(R
2=0.92)。挥发性化合物检测方面:纳米复合物修饰CSA区分感染产毒和非产毒黄曲霉的小麦,基于三种关键VOC的RGB响应,LDA分类准确率92.86%;CSA结合气相色谱-质谱(GC-MS)分析六种啤酒的VOCs,PCA区分不同啤酒类型,LDA准确率100%;在天茶干燥过程中,CSA捕捉不同干燥阶段VOC动态变化,正交偏最小二乘判别分析(OPLS-DA)模型R
2Y=0.998,随机森林预测准确率91.07%。
**7. System Integration and Intelligent Detection Platform of CSA Technology**
智能包装方面:明胶-花青素微针传感器实时监测包装鱼腐败,通过颜色变化(ΔE)定量反映腐败过程;便携检测方面:发色磷酸银(Ag
3PO
4)/UiO-66纳米酶水凝胶结合智能手机平台现场检测马拉硫磷,检测限7.5 ng/mL;移动智能评估方面:双pH指示剂膜(姜黄素和茜素)用于鲑鱼新鲜度监测,MobileNetV2卷积神经网络部署于手机应用实现实时预测;物联网(IoT)远程监测方面:2×2 pH指示剂CSA结合智能手机和远程服务器用于饮料糖分检测,实现端到端远程自动化监测。这些集成系统面临传感器稳定性(染料泄漏、湿度漂移)、测量一致性(阵列制造、成像条件差异)和模型鲁棒性(跨设备泛化)等挑战,需通过材料界面设计、标准化协议、多样化数据训练和可扩展制造来应对。
**8. Conclusions and Perspectives**
CSA技术具有操作简便、快速、低成本、少样品预处理、适合现场分析等优势,其“整体响应”模式能捕获多维化学信息,减少对一对一目标识别的依赖。但面临传感材料稳定性、选择性抗干扰能力、数据分析算法依赖性和实验室到产业转化的挑战。未来应向高灵敏度、智能化、微型化和集成化发展,优先开发稳定的食品兼容传感界面,建立标准化流程,利用多样化数据集和迁移学习提升模型鲁棒性,并在真实食品供应链条件下进行系统验证。