综述：高光谱成像和机器学习用于产毒真菌和霉菌毒素：替代物检测、证据标准与工业部署

《TrAC Trends in Analytical Chemistry》：Hyperspectral imaging and machine learning for mycotoxigenic fungi and mycotoxins: surrogate detection, evidence standards and industrial deployment

　　

摘要 产毒真菌及其毒素仍然是全球粮食和食品安全面临的最持久威胁之一。高光谱成像（HSI）通过在单次采集中将光谱和空间信息统一起来，能够无损且高通量地解析化学组成和污染的不均匀分布。本文综述以产毒真菌为中心对象，以机器学习为连接线索，考察了测量实际报告的内容、支持证据的强度以及该技术在工业中的定位。我们首先确立了感染 - 代谢 - 毒素级联的光谱基础，并表明在监管要求的微克/千克水平上，毒素对光谱的贡献可忽略不计：检测是替代性的，由感染引起的蛋白质、淀粉、脂质和水的变化所携带。引入了一个三级证据方案，并将其应用于特征波段、作物基质效应、掩蔽毒素以及产毒和无毒菌株之间尚未证实的可分离性。追溯从化学计量学到卷积网络、迁移学习和多模态融合的方法论演变，我们展示了像素级数据分割、人工接种材料以及不可比的指标如何夸大报告的性能，并提出了验证层级和最低报告标准。最后，我们考察了从实验室到工业界的过渡及标准化需求，将 HSI 定位为确认色谱法上游的多光谱分诊和分选技术，并确定了机制驱动建模、共享基准数据集和毒素积累前的早期预警为重点方向。

引言 产毒真菌是全球粮食和食品安全面临的最持久威胁之一。曲霉属、镰刀菌属和青霉属物种在田间生长、收获和储存过程中感染玉米、小麦、花生和坚果等作物。在感染过程中，这些真菌合成次生代谢产物，包括黄曲霉毒素、脱氧雪腐镰刀菌烯醇（DON）、赭曲霉毒素 A（OTA）、伏马菌素、玉米赤霉烯酮（ZEN）、伏马菌素和 T-2 毒素 [1], [2], [3]。即使在极低剂量下，这些毒素也具有肝毒性、肾毒性、致癌性和免疫抑制性；特别是黄曲霉毒素 B1（AFB1）被国际癌症研究机构（IARC）归类为 1 类致癌物 [4], [5], [6], [7]。一项系统综述和荟萃分析显示，真菌和毒素污染在谷物和谷物制品中广泛存在 [8]；在特定地区调查中，OTA 和伏马菌素 B1 在欧洲谷物制品中尤为令人担忧，大米也可能受到多种镰刀菌群落的共同污染 [9], [10]。联合国粮食及农业组织（FAO）一个被广泛引用的估计认为，每年约有四分之一的农产品受到真菌毒素污染，造成数十亿美元的经济损失；该估计最近被重新审查并在很大程度上得到确认 [11], [12]。受气候变化、储存不当和监管滞后加剧的影响，产毒真菌污染的早期识别和预警已成为风险管理的关键步骤 [13], [14], [15]。

对于真菌毒素检测，实验室参考方法——高效液相色谱（HPLC）、液相色谱 - 串联质谱（LC-MS/MS）和酶联免疫吸附测定（ELISA）——提供了高灵敏度和定量准确性，仍然是风险评估的金标准 [16], [17], [18]。然而，这些方法通常需要繁琐的样品制备，耗时且具有破坏性，这限制了其通量 [19], [20]。此外，由于污染高度不均匀——大批量中单个高度污染的颗粒即可决定结果——采样不确定性，而非分析不确定性，通常在传统真菌毒素分析中主导总测量不确定性 [19], [21]。为了提高速度和便携性，新兴策略——包括光电化学传感、表面增强拉曼散射（SERS）和分子印迹生物传感——已经发展起来，它们显著提高了灵敏度和响应时间 [22], [23], [24]。尽管如此，这些技术中的大多数仍然需要采样，本质上具有破坏性，并且通常针对单一毒素，因此在高通量下难以解析复杂基质中的多种毒素。同样，参考材料和检测方法的标准化对于可靠的毒素分析至关重要 [25], [26]。还应认识到，采样 - 分析系统和在线筛选或分选系统并不具有相同的目标：前者旨在准确量化和确认以进行风险评估，而后者旨在快速、高通量地拒绝受污染单元。这些是互补而非竞争的目标。因此，人们将注意力转向了同时获取空间和光谱信息的无损、快速技术。

高光谱成像（HSI）集成了成像和光谱技术。在单次采集中，它为样品的每个像素记录连续光谱，形成具有两个空间维度和一个光谱维度的三维数据立方体 [27], [28]。由于它捕获了样品的形态分布和化学组成，HSI 非常适合解析局部聚集或非均匀分布的污染 [29]。与点光谱或单模成像相比，HSI 是无损且快速的，并兼容在线自动分选，这使其成为现场高通量检测的实用途径 [30], [31], [32]。单颗粒 HSI 在这方面尤其有价值。通过解析单个颗粒，它直接解决了限制传统散装分析的采样不均匀性问题。

高光谱数据是高维且高度共线的，这使得它们与数据驱动建模的结合成为必要。机器学习——直接从数据中而不是从显式编程规则中学习的计算方法家族——已成为现代分析科学的基石，应用范围从光谱生物传感 [33] 和化学科学中的数据驱动分子设计 [34] 到工程和农业食品链中的可靠性和风险评估 [35], [36]。在高光谱分析中，经典的化学计量学方法——主成分分析（PCA）、偏最小二乘（PLS）回归和支持向量机（SVMs）——在特征提取和模式识别方面表现良好，但它们主要线性的建模能力难以应对复杂污染下产生的非线性模式 [37], [38]。深度学习通过堆叠多层非线性变换来解决这一限制，从而直接从原始数据中学习分层特征，而无需手工特征工程 [39], [40]。卷积神经网络（CNNs）是该领域最常用的深度架构：与将每个输入连接到每个神经元不同，CNN 将小型可训练滤波器（核）在输入上滑动，从而用更少的参数和翻译不变性提取局部光谱形状和局部空间纹理；堆叠此类层会产生 progressively 更抽象的表示，其他领域面向图像、信号和控制的识别任务也基于同样的原则 [41], [42]。相关发展包括迁移学习，即将在数据丰富的源域上训练的模型，完全或部分地在数据匮乏的目标域上重新使用 [35]，以及用于高维数据的光谱和数值建模技术 [43]。在高光谱真菌毒素检测中，此类模型已实现红参中痕量毒素的像素级识别以及花生中污染水平和时间的区分 [44], [45]。

尽管 HSI 结合机器学习的潜力现已得到广泛认可，但大多数现有综述都是围绕单一毒素的检测性能或方法目录组织的 [27], [28], [29], [30], [31], [46], [47]。它们对该领域核心的三个问题关注有限：感染、代谢和毒素积累变得可检测的光谱基础；产毒菌株与无毒菌株的区分；以及从实验室到工业界转化的障碍。为了使这些差异明确而非仅仅断言，表 1 对比了本综述与近期的代表性综述。基于这一比较，我们的综述具有三个特点。首先，它围绕一条机制线索——感染 - 代谢 - 毒素光谱级联——组织，并将毒素积累前的早期预警纳入范围。其次，它采取了一种刻意批判的立场：在监管要求的微克/千克水平上，毒素分子对测量的近红外信号贡献可忽略不计，因此检测在很大程度上是替代性的——由感染引起的蛋白质、淀粉、脂质和水等基质成分变化驱动——而不是毒素的直接吸收；因此，报告准确率的权衡需考虑评估严谨性、样品来源（自然污染与人工接种）以及数据泄漏的风险。第三，它将方法论进步与实际部署的工程和标准化需求联系起来。因此，本综述组织为五个主题：(i) HSI 原理和产毒真菌检测的光谱基础；(ii) 代表性产毒真菌和毒素的特征光谱响应及基质效应；(iii) 用于智能检测的机器学习和深度学习方法；(iv) 从实验室到工业界的工程和标准化途径；以及 (v) 关键问题、挑战和未来展望。

关于范围和文献选择，此处讨论的主要文献是通过使用“高光谱”、“多光谱”、“真菌毒素”、“黄曲霉毒素”、“脱氧雪腐镰刀菌烯醇”、“伏马菌素”、“赭曲霉毒素”、“玉米赤霉烯酮”、“产毒真菌”、“机器学习”和“深度学习”等术语的组合从 Web of Science 核心合集、Scopus 和 PubMed 检索的。重点放在 2019 年至 2026 年间发表的研究上，并在基础性工作中保留早期研究（例如，第一次双波长分选试验和 DON 的近红外带归属原始研究）。当研究报道在食品或饲料基质中真菌污染或真菌毒素的原始高光谱或多光谱测量时，予以纳入；纯粹基于模拟的研究和没有完整方法描述的会议摘要被排除。先前的综述主要作为表 1 中的对比对象引用，而不是作为事实陈述的证据，并且，只要主张最初由综述支持，我们已追溯并引用了原始研究。

章节片段 成像原理和数据立方体 由于 HSI 的一般原理已在早期综述中得到了充分阐述 [27], [28], [29]，本节故意简短，仅限于后续第 2.3-2.5 节机制和批判性讨论所需的材料。HSI 是一种无损诊断技术，集成了空间和光谱信息（图 1）。与在单一位置获取光谱的传统点光谱不同，HSI 获取连续光谱曲线，用于

代表性产毒真菌和毒素的特征光谱响应及基质效应 本节组织方式使得每个小节首先陈述累积证据支持的内容，然后展示该陈述所依据的研究，最后评估证据的强度。在整个过程中，波段位置以传统方式报告，但应遵循第 2.4 节，将其读作对特定基质感染敏感的波段，而不是毒素的吸收特征。表 3 因此记录每一项的基质和仪器

高维光谱数据和智能建模的必要性 典型的 HSI 系统采集 400-2500 nm 范围内的数百个光谱波段；这些数据是高维的，波段间表现出强共线性，并且容易受到噪声干扰 [27], [28]。传统化学计量学方法在一定程度上实现了降维和分类，但它们的建模能力主要局限于线性关系，难以表征复杂污染下的非线性模式 [37]。因此，机器学习已被

实验室验证与工业需求之间的差距 实验室研究表明 HSI 能有效识别产毒真菌污染和毒素积累，一些研究报告在小麦、玉米和花生等作物中分类准确率超过 95% [31], [46]。然而，实验室条件通常对样品形态、厚度、方向和环境光施加严格控制，而在实际生产环境中，样品多样，批次差异显著，检测速度要求

关键问题和挑战 尽管 HSI 在产毒真菌智能检测方面取得了显著进展，但在实现稳健的工业应用之前，应解决几个问题（图 3）。
(i) 对低浓度毒素的灵敏度不足。真菌毒素存在于微克/千克水平，分布不均，且易受基质成分掩蔽，因此弱信号难以稳定提取。如第 3.6 节所示，展示的最精细黄曲霉毒素分级为

CRediT 作者贡献声明 Jianmei Li：写作 – 初稿，可视化，软件，调查，形式分析。Haiyu Li：可视化，软件，方法论。Qing Zuo：可视化，软件。Yong Tang：资源，方法论。Qi Sun：写作 – 审阅与编辑，写作 – 初稿，调查，形式分析，概念化。Chuanyun Dai：写作 – 审阅与编辑，监督，项目管理，资金获取

利益冲突声明 ? 作者声明他们没有任何已知的竞争财务利益或个人关系可能影响本文报告的工作。

致谢 作者感谢重庆市教育委员会科技研究项目（授予编号 KJQN202515136）和重庆市自然科学基金（授予编号）的资金支持。

CSTB2025NSCQ-GPX1359)，国家自然科学基金（批准号 22578039），重庆市璧山区科学技术局与重庆中医药大学技术创新联合研究基金（批准号 Jianmei Li|Haiyu Li|Qing Zuo|Yong Tang|Qi Sun|Chuanyun Dai 中国重庆 402760，重庆中医药大学智能中药研究所