《Dairy》：Advanced Analytical Strategies for Detecting Non-Milk Fat Adulteration and Species Mixing to Ensure Dairy Authenticity: Current Status and Future Trends
编辑推荐：
牛奶和乳制品极易受到经济驱动型掺假（Economically Motivated Adulteration, EMA）的影响，尤其是通过用更便宜的非乳脂替代乳脂。本文全面综述了用于检测植物油（如棕榈油、椰子油、葵花籽油）和动物源脂肪（如猪油、牛脂）以及不同物种
牛奶和乳制品极易受到经济驱动型掺假（Economically Motivated Adulteration, EMA）的影响，尤其是通过用更便宜的非乳脂替代乳脂。本文全面综述了用于检测植物油（如棕榈油、椰子油、葵花籽油）和动物源脂肪（如猪油、牛脂）以及不同物种乳欺诈性混合的分析方法。研究考察了脂质提取方法，包括传统的重量分析法（如R?se–Gottlieb法）和高效替代方法（如加速溶剂萃取和超临界流体萃取）。对欺诈检测的分析策略进行了评估，结果表明，虽然脂肪酸谱分析被广泛应用，但其灵敏度受到天然变异的限制。通过三酰甘油分析结合数学模型（如生成S值的Precht公式）通常可以获得更强的区分能力，但性能因掺假物基质、掺假水平、参考群体和分析方案而异。同样，甾醇谱分析，特别是检测β-谷甾醇等植物甾醇，是植物油掺假的有价值标志物，但无法为检测动物脂肪掺假提供等效的解决方案。研究还评估了快速、无损筛查工具（包括傅里叶变换红外光谱和拉曼光谱，辅以化学计量学）的潜力。检测此类欺诈的一个核心分析挑战在于乳脂成分的复杂性和变异性，这阻碍了任何单一分析方法普遍识别所有形式的非乳脂掺假；因此，将快速筛查工具与高分辨率确证方法相结合的分层策略更为可取。未来展望强调了绿色分析方法、人工智能和便携式检测系统在加强全球乳制品供应链验证方面的重要性。然而，人工智能和化学计量学方法的有效性在很大程度上依赖于代表性训练数据集的可用性和严格的外部验证，以避免过拟合并确保在不同样本中的可靠应用。
2. 非乳脂掺假和物种混合的乳制品掺假
本节概述了非乳脂掺假的机制，指出液态乳、黄油、酥油、奶酪、奶油和发酵乳制品在基质组成和发酵过程中存在差异，影响掺假物的提取和检测。常见的掺假形式包括将低成本油均质混入液态乳，以及在固体产品中直接掺入植物或动物固体脂肪。不同物种乳的非法混合，尤其是用水牛奶或羊奶稀释更便宜的牛奶，是普遍现象，检测依赖于PCR和高效液相色谱等技术。
2.1. 常见植物脂肪掺假物
棕榈油及其分馏物是最常用的掺假物，因其成本低、供应广，且脂肪酸谱与乳脂部分相似。其存在可通过C16:0（棕榈酸）和C18:1n-9（油酸）水平显著升高以及植物特异性甾醇的出现来识别。椰子油因富含月桂酸（C12:0）和癸酸（C10:0）而被使用，其添加可降低折射率和熔点。其他植物油如大豆油、葵花籽油、玉米油和花生油也因高不饱和脂肪酸含量而被用于欺诈。
2.2. 动物脂肪和较罕见掺假物
猪油和牛脂是重要的动物源掺假物，猪油因其三酰甘油谱（特别是C52和C54浓度较高）可模拟乳脂特征，牛脂则用于调节质构，但缺乏反刍动物乳脂特有的短链脂肪酸。混合动物脂肪和植物油可形成更难检测的“定制油”。脂肪酸比值法在低掺假水平下存在局限，而多元线性回归和TAG谱结合线性判别分析可提高检测能力。人造黄油、鱼油、鹅油甚至矿物油等也偶有使用。这类欺诈行为不仅造成经济损失，还涉及健康风险（如未申报过敏原）和宗教伦理关切。
3. 乳制品中非乳脂检测的分析方法
验证乳制品真实性需要多阶段分析策略，包括脂质提取、仪器分析和定量评估。分析工作流分为筛查、鉴定、确证和定量四个层次。筛查用于快速识别疑似掺假样本，多采用FTIR、NIR、拉曼光谱等快速技术；鉴定基于特征化学标志物（如植物甾醇）推断掺假物性质；确证需要采用ISO 17678:2019等国际参考方法；定量则需经校准和验证的模型。
3.1. 脂质提取方法
传统重量法如R?se–Gottlieb法和Mojonnier法是总脂肪测定的参考方法，但溶剂消耗大、通量低。Folch法和Bligh and Dyer法适用于脂肪酸谱和甾醇分析，但不同方法对短链和长链脂肪酸的回收存在差异。加速溶剂萃取（ASE）和超临界流体萃取（SFE）作为绿色替代技术提高了效率，但不可完全替代参考方法。Gerber法适合快速工业检测，但提取物不适用于脂肪酸谱分析。
3.2. 脂肪分析的仪器方法
气相色谱（GC）是分析脂肪酸甲酯（FAME）的主要参考技术，可用于检测C4:0至C24:0的脂肪酸。然而，乳脂的天然生物学变异（品种、季节、饲料等）限制了脂肪酸谱的可靠性。三酰甘油（TAG）分析结合Precht公式（S值）被纳入ISO 17678:2019，可检测约2–5%的掺假水平，但对加工脂肪和磷脂含量高的基质存在局限。脂质组学（LC-MS）能提供高维分子信息，但成本高、缺乏标准化。甾醇分析中，β-谷甾醇等植物甾醇是检测植物油掺假的特异性标志物，但对动物脂肪掺假无效。
3.3. 光谱学和新兴快速方法
振动光谱（FTIR、NIR、拉曼光谱）具有快速、无损、无溶剂等优点，但依赖化学计量学模型的稳健性。表面增强拉曼光谱（SERS）和荧光光谱也有应用。电子鼻和电子舌结合GC-MS及人工智能可提高准确性。DNA技术和生物传感器用于物种鉴别，如检测水牛马苏里拉奶酪中的牛奶。需要区分实验室概念验证和实际市场监测的诊断准确性。
3.4. 方法比较与评估
方法选择需权衡准确性、成本、速度和环境影响。脂肪酸谱适合一线筛查，甾醇分析特异性地检测植物脂肪，TAG（Precht/ISO）可检测多种脂肪，脂质组学仍停留在研究阶段。提出两级决策框架：第一级快速筛查（光谱技术），第二级确证检测（ISO 17678或GC-MS甾醇分析）。绿色溶剂萃取和低操作成本的光谱设备逐渐得到重视。
3.5. 化学计量学和统计验证
主成分分析（PCA）是无监督探索性工具，线性判别分析（LDA）和机器学习是有监督预测模型。需注意过拟合、数据泄漏和类别不平衡问题。应采用嵌套交叉验证、独立外部验证，报告灵敏度、特异性、平衡准确率等指标。重复测量应保持在同一分区中。定量预测需使用RMSECV、RMSEP等指标。外部验证应包含不同季节、地区、品种和仪器条件。
4. 未来趋势：绿色化学和人工智能在乳制品真实性中的应用
绿色化学原则推动采用超临界流体萃取和无损光谱技术以减少有害溶剂。人工智能（AI）和机器学习（ML）可处理高维谱学数据，支持向量机（SVM）、随机森林和深度学习（如CNN）实现了高分类准确率。但AI模型的有效性取决于代表性参考数据集和严格外部验证，否则易过拟合。多模态数据融合（脂肪酸、TAG、甾醇、光谱、分子标志物）可降低假结果风险。便携式硬件与AI结合可实现“智能”食品取证，支持从农场到餐桌的分散式透明监管。
5. 结论
乳制品欺诈对全球供应链构成持续威胁。没有单一方法可以解决所有真实性检测问题。快速光谱筛查适合高通量监测，色谱TAG和甾醇分析提供确证证据。动物脂肪掺假比植物油更难以检测，因为缺乏特异性植物标志物。未来需要综合方法，将便携筛查与高精度色谱验证相结合，并建立代表性的真实参考数据库、协调验证协议、实验室间研究和稳健的模型迁移评估，以确保消费者获得安全、真实和标签透明的乳制品。
