基于拉曼光谱的植物油黄曲霉毒素B1检测迁移学习研究

《Microchemical Journal》:Study on transfer learning for aflatoxin B1 detection in vegetable edible oil based on Raman spectroscopy

【字体: 大 中 小 】 时间:2026年08月29日 来源:Microchemical Journal 5.2

编辑推荐:

   •采用SURS结合人工智能方法检测了不同品种食用油中的AFB1。•开发了一种AuNRs-Ag SERS基底以增强AFB1信号。•提出了一种改进的实例级TrAdaBoost框架以适应生物异质性。引言黄曲霉毒素是一类毒性极强的次级代谢产物,主要由黄曲霉(Aspergillus f

  
  • •
    采用SURS结合人工智能方法检测了不同品种食用油中的AFB1。
  • •
    开发了一种AuNRs-Ag SERS基底以增强AFB1信号。
  • •
    提出了一种改进的实例级TrAdaBoost框架以适应生物异质性。

引言

黄曲霉毒素是一类毒性极强的次级代谢产物,主要由黄曲霉(Aspergillus flavus)和寄生曲霉(Aspergillus parasiticus)产生,是全球食品安全和公共卫生面临的最严重威胁之一。在这些多样化的类似物中,黄曲霉毒素B1(AFB1)毒性最高,已被国际癌症研究机构(IARC)明确归类为1类人类致癌物[1],[2]。长期暴露于AFB1中,即使含量极低,也与肝细胞癌和致突变性密切相关[3]。由于AFB1具有高度亲脂性和化学稳定性,它经常在整个农业供应链中污染各种食用油[4],[5]。污染水平因地区、油种和储存条件的不同而差异很大,浓度范围从几到几十μg/kg不等[6],[7],[8]。因此,各国监管机构均已制定了严格的最大残留限量标准。例如,美国食品药品监督管理局(FDA)将食品中黄曲霉毒素的行动限量设定为20 μg/kg(FDA, 2000)。欧盟委员会将AFB1在相关食品产品中的最大允许限量设定为2 μg/kg(EC No. 1881/2006),而中国GB 2761-2017则将花生油中AFB1的最大限量设定为20 μg/kg。因此,开发快速、无损且高灵敏度的AFB1定量分析技术对于保障人类健康和食用油安全具有重要意义。
传统上,AFB1的检测依赖于色谱法等常规分析技术。虽然这些方法准确度高,但往往存在样品前处理步骤复杂且无法进行快速现场筛查的缺陷。近年来,表面增强拉曼光谱(SERS)已成为一种革命性的替代方案[9]。通过利用贵金属纳米结构的局域表面等离子体共振(LSPR)效应,SERS能够极大增强被吸附分析物分子的拉曼散射截面,实现单分子级别的灵敏度,同时提供丰富的分子"指纹"信息。近期的研究已成功将SERS与机器学习算法相结合,在花生油等特定基质中实现对AFB1的定量检测,取得了令人印象深刻的检测限。例如,Rodriguez-Saona, L.E.等人将拉曼光谱与包括相干反斯托克斯拉曼散射(CARS)和偏最小二乘法(PLS)在内的多元分析方法相结合,用于花生中AFB1的定量测定[10]。Jayasekher, A.等人提出了一种基于孪生网络架构的对比学习框架,用于AFB1的光谱智能检测[11]。Li等人将SERS与CNN-LSTM深度学习模型相结合,实现了花生油中AFB1的免标记检测,并在单一基质数据集上报告了较高的分类准确率[12]。化学计量学和光谱融合策略在复杂食品体系中的成功应用进一步展示了将振动光谱与人工智能相结合用于食品安全监测的潜力[13],[14]。
迄今为止,大多数研究仅在单一食品基质上进行验证,尚无先前的研究系统地探讨SERS检测中的实例级跨基质知识迁移。由于食用油是含有不同比例甘油三酯、游离脂肪酸和色素的复杂非均质混合物,当将预训练模型直接应用于不同油种时,其预测精度不可避免地会大幅下降[14]。为降低这种重建成本,迁移学习(TL)已引起广泛关注,因为它能够利用从源域习得的知识来提高模型在相关任务上的泛化能力[13],[14]。然而,迁移学习中存在一种被称为"负迁移"的现象,即从源域迁移的知识会降低而非提高目标域的性能[15]。现有的光谱分析中的迁移学习应用主要集中于全局参数微调,未能解决"负迁移"问题[16],[17],[18]。近年来,一些方法被提出以解决该问题。例如,提出了仪器迁移的全局特征对齐方法以提高迁移适应性,但它们无法选择性地过滤单个冲突样本[17],[19]。假设全局一致分布偏移的微调方法无法适应跨油检测中遇到的非均匀基质干扰[20],[21]。
本研究旨在通过将SERS基底工程与实例级迁移学习相结合,开发一种稳健的跨油AFB1分类框架。采用CARS变量选择方法从丰富的波长中识别最具信息量的光谱特征,在降低数据维度的同时保留AFB1特有的振动信息。随后,提出了一种改进的TrAdaBoost算法,通过动态样本重加权机制有效抑制负迁移并对齐光谱特征空间,该机制能够自主识别并惩罚源域中携带冲突基质特征的样本。该方法通过将模型从花生油迁移至大豆油和玉米油进行了进一步验证,展示了在不同油基质中的稳健性能。所提出的方法有望建立一个高度可泛化、经济高效且快速的跨油AFB1分类范式,具有重要的应用价值。

章节摘要

金基底的制备与表征

为最大化SERS效率,设计了AuNRs-Ag复合基底,通过LSPR效应实现协同信号增强和荧光猝灭[17],[18]。金纳米棒(AuNRs)作为核心模板,用柠檬酸钠进行功能化处理以赋予负表面电荷。随后将银离子吸附到柠檬酸盐层上,并在特定光化学还原条件下原位还原,形成具有确定结构的银壳。场发射扫描电子显微镜

所制备基底的性能

图1展示了AuNRs-Ag基底的形貌和组成表征结果。如高倍和中倍SEM图像所示(图1b, c),AuNRs-Ag纳米颗粒在大面积上呈现出高度致密且均匀的多面体核壳结构,并具有丰富的颗粒间纳米间隙。能量色散X射线光谱(EDS)分析验证了Ag成功沉积在AuNR表面。EDS能谱(图1d)显示了特征性的Ag Lα

结论

本研究开发了一种基于拉曼光谱的跨油AFB1分类方法,结合了优化后的AuNRs-Ag SERS基底和一种带有动态样本重加权机制的改进TrAdaBoost迁移学习框架。采用CARS优化的GB模型在花生油分类中达到了93.52%的准确率,并作为基准模型使用。为克服跨油基质效应,提出了一种带有动态样本重加权的改进TrAdaBoost实例迁移策略

CRediT作者贡献声明

Wei Liu:撰写——审阅与编辑,监督,方法论,调查研究。Xinran Zhou:撰写——原稿撰写,软件,方法论,调查研究,数据管理。Changhong Liu:撰写——审阅与编辑,验证,监督,项目管理。Zhong Chu:撰写——审阅与编辑,监督。

利益冲突声明

作者声明不存在已知的竞争性经济利益或个人关系可能影响本文所报告工作的情况。

致谢

本研究得到国家自然科学基金(U23A20265, U23A2081)、安徽省重点研发计划(2023n06020010)、苏州市重大科技专项(SZKJXM202310)以及中央高校基本科研业务费专项资金项目(JZ2024HGTG0286)的支持。本文的分析工作部分在合肥工业大学仪器分析中心完成。
Wei Liu|Xinran Zhou|Changhong Liu|Zhong Chu
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号