本方法旨在针对传统机器视觉方法易受背景光干扰、特征提取不足的问题，开发一种基于卷积神经网络（CNN）和残差网络（ResNet-18）的AI驱动自动光学分选系统，以实现对污染物的精准识别与分类。通过在RGB图像上引入注意力机制优化卷积网络特征提取，实验表明该方法在识别准确率、召回率及分类精度方面均优于YUV、HSV和LAB等常用色彩空间方法。系统对污染物的识别准确率达到96.65%，召回率为95.4%。相比之下，传统RGB颜色分选准确率仅为62.34%，基于YUV和HSV的颜色分选准确率也仅约为68%。注意力机制的引入进一步提升了特征提取性能，使分类准确率在0.80以上。结果表明，基于深度学习的AI模型在污染物的检测与分类中效果显著，尤其在实际应用（如矿石分选或环境监测）中具备可行性

《Journal of Hazardous Materials》：Explainable Machine Learning-assisted Raman Spectroscopy-based Fast Versicolorin A Detection in Maize for Early Aflatoxin Warning and Safety Sorting

　　

摘要

了解农产品中伏色菌素A的污染水平对于在黄曲霉毒素严重形成之前实施预防性干预措施至关重要。然而，传统的伏色菌素A检测方法无法满足粮食供应链中高通量、现场筛查的要求。尽管近年来近红外光谱技术已被开发用于快速检测伏色菌素A，但其准确性受到水分干扰和基质重叠吸收的限制。本研究开发了一种结合拉曼光谱与机器学习算法的非破坏性伏色菌素A检测方法。使用208个玉米样品，随机森林模型取得了最佳性能，交叉验证R2为0.862，均方根误差为11.78 μg/kg，剩余预测偏差为2.69。SHAP分析确定681.67 cm?1为最具影响力的光谱特征，这可能反映了污染相关的玉米基质变化。对于分类任务，XGBoost在50 μg/kg阈值下实现了0.919的最高平均精度。该方法无需化学预处理即可实现可靠的定量检测，为食品安全监测系统提供了技术支持。

1. 引言

黄曲霉毒素B1（AFB1）已被国际癌症研究机构（IARC）列为I类致癌物，因其毒性极强。它具有强烈的肝毒性、致癌性和致畸性，对人类健康构成重大威胁[1]，[2]。农产品在整个从田间种植到收获后储存的过程中均易受AFs污染[3]，[4]。此外，AFs对常规解毒技术具有耐受性，这突显了建立高效预警和监测系统的紧迫性。伏色菌素A（Ver A）是AFB1生物合成途径中的核心前体，已被验证为潜在的AF污染有效预警标志物[5]，[6]。先前的研究表明，Ver A水平与后续AFB1污染之间存在显著相关性，Ver A的增加或快速积累可作为未来AF污染的可靠预测指标[6]。尽管Ver A的毒性仅为AFB1的1/10至1/20，但其主要价值在于其预测能力，可用于评估AF污染风险，从而在严重污染发生之前采取预防性干预措施。因此，开发快速的Ver A检测方法至关重要。

目前，Ver A检测主要依赖高效液相色谱法（HPLC）[7]、液相色谱-串联质谱法（LC-MS/MS）[8]、薄层色谱法（TLC）[9]和酶联免疫吸附测定法（ELISA）[10]等传统方法。虽然这些方法精度较高，但通常需要精密的实验室设备、复杂的样品前处理、熟练的技术人员以及大量的时间投入。这些因素使其不适合快速大规模筛查。电化学传感技术的最新进展已显示出前景，检测阈值低至10 pg/mL [11]。然而，这些传感器在操作简便性和现场适用性方面面临挑战。此外，上述所有方法都涉及耗时的样品前处理步骤，如提取、免疫亲和柱纯化和浓缩，需要集中实验室设施和专业技术人员。这些局限性阻碍了它们满足现代粮食供应链高通量、现场筛查的需求。

为应对这些挑战，近期的研究探索了光谱技术在Ver A检测中的潜力。近红外光谱技术已证明能够实现Ver A的快速、免前处理检测，为高通量、现场筛查提供了独特优势[12]。然而，近红外光谱技术在检测复杂基质样品中的低含量物质时存在显著局限性。例如，样品水分含量的变化会阻碍低含量、多干扰样品中Ver A的准确检测。相比之下，拉曼光谱技术具有显著优势，包括分子指纹识别、抗水分干扰以及对芳香族化合物的有效检测[13]，[14]。

拉曼光谱作为一种振动光谱分析技术，其工作原理与红外光谱有根本不同。红外光谱基于分子振动过程中固有偶极矩的变化[15]，[16]，[17]，而拉曼散射依赖于化学键极化率的变化。这种机制差异使得红外光谱对极性基团（如O-H、C=O、C-H和N-H）的不对称振动更敏感，而拉曼光谱对非极性基团中共价键（如C=C、C-C和S-S）的响应更强。更重要的是，拉曼光谱不受水分影响，且产生的重叠光谱带更少，这些特性使其在复杂基质分析中特别具有优势[18]，[19]，[20]。尽管先前的研究已证明拉曼光谱在黄曲霉毒素检测中的潜力[21]，[22]，[23]，[24]，但关于受污染谷物中Ver A分析的研究仍十分有限。受污染谷物样品的复杂异质特性，如成分变化和多种成分的干扰，给准确检测带来了额外挑战。

为应对这些挑战，本研究提出了一种结合拉曼光谱与机器学习算法快速检测玉米中Ver A的创新方法。本研究的创新之处在于首次将拉曼光谱应用于Ver A快速检测领域，并结合先进的机器学习数据分析技术来减轻基质干扰效应。该方法能够在复杂谷物样品中实现可靠的定量分析，旨在建立AF污染风险的稳健预警系统。

本研究的意义远超实验室应用。通过实现Ver A的快速现场筛查，该技术为整个农业供应链的食品安全管理提供了必要的技术支持。此外，预测食品安全污染风险的能力使得储存管理中的及时干预成为可能，有效减少经济损失并提高食品安全标准。未来，该方法有望扩展到其他真菌毒素的检测，为全面食品安全监测系统的发展提供稳健的技术支持。

2. 材料与方法

2.1 材料与设备

Ver A化合物（纯度≥99.9%）通过按照既定方案[25]发酵寄生曲霉菌株ATCC36537制备。获得约0.5 mg的Ver A固体。Ver A标准品溶解于甲醇中，并保存在-20 °C下。通过LC-Q-TOF-MS/MS（Synapt G2-Si，Waters）在负电喷雾电离模式下确认其身份和纯度：去质子化分子离子[M - H]?在m/z 337.04处观察到，基础峰碎片离子在m/z 309.04处，以及额外的诊断碎片在m/z 252.04、308.03和280.04处（碰撞能量25 eV）。通过提取溶剂逐级稀释制备工作标准溶液，设定八个浓度水平（0.5、1.0、2.5、6.25、12.5、25、100和200 μg/L）。Ver A标准品用于构建LC-MS/MS校准曲线、加标回收实验、质量控制和基质效应评估。

色谱级溶剂购自Fisher Scientific。实验用水通过Sartorius Arium Pro UV系统（Sartorius，G?ttingen，德国）纯化。其余试剂符合分析规格，无需额外处理。样品制备使用成都斯图亚特科技发展有限公司（中国成都）生产的JSFM-II研磨设备。计算工作流使用MATLAB R2018a（MathWorks，美国）和通过Anaconda 3平台的Python编程实现。

2.2 样品制备

从中国的四川省、山东省、河南省、贵州省和广东省五个省的当地农民处购买了208个玉米样品。每个样品重10 kg，用于储存实验。测试前，样品经研磨后通过0.85 mm筛进行精确混合，以确保颗粒大小均匀。

2.3 Ver A的LC-MS/MS分析

Ver A含量使用LC-MS/MS方法进行定量测定。测得值作为模型开发和验证的参考值。样品制备过程包括将5 g研磨玉米材料与20 mL溶剂混合物（乙腈：水：乙酸 = 79:20:1，v/v/v）混合，在GFL 3017旋转振荡器（GFL，Bürwedel，德国）上连续振荡90分钟。所得提取物在水相介质（乙腈：水：乙酸 = 20:79:1，v/v/v）中按1:1体积比稀释。稀释后的提取物通过0.22 μm聚四氟乙烯针式过滤器（Agela Technologies，中国）进行膜过滤纯化。

分析程序遵循Abia等人描述的Ver A分析方法。Abia等人，[8]。仪器包括配备Turbo-V电喷雾电离源的QTRAP? 4500串联质谱仪（SCIEX，Foster City，美国），与Agilent 1260 Infinity液相色谱系统（Agilent，Waldbronn，德国）集成。化合物分离使用Zorbax Eclipse XDB-C18分析柱（2.1 × 50 mm，3.5 μm粒径，Agilent，Palo Alto，CA，美国）在柱温25 °C下进行。

质谱采集使用预定义的多反应监测（MRM）方案，在每次分析运行中交替使用正负电喷雾电离模式。目标化合物在优化条件下通过每种分析物的双重跃迁监测进行鉴定。关键操作参数如下：电喷雾界面温度550 °C，帘气流量30 psi，雾化气压力45 psi，辅助气压力50 psi，喷雾电压+5500 V（正模式）和-4500 V（负模式），碰撞气设置为中压氮气。采集窗口设置为54秒（正模式）和96秒（负模式），循环时间为1秒。流动相由水中的0.1%甲酸（A）和乙腈中的0.1%甲酸（B）组成，流速为0.25 mL/min，梯度程序为：0 – 0.5 min，30% B；0.5 –5.0 min，30 – 90% B；5.0 – 6.0 min，90% B；6.1 – 8.0 min，30% B。进样量为5 μL。Ver A使用MRM检测，负电喷雾电离模式下的跃迁为m/z 337 → 309。Ver A的保留时间为4.44 min。

外部校准使用溶剂基标准品在八个浓度水平（0.5、1.0、2.5、6.25、12.5、25、100和200 μg/L）进行，每个浓度水平测量三次。MRM校准曲线在0.5 – 200 μg/L范围内表现出极佳的线性（y = 41.604x ? 65.962，R2 = 0.9992）。检出限和定量限估计分别为1.2 μg/kg和4.0 μg/kg。在每个校准水平（n = 3）评估了重复性，所有浓度水平的相对标准偏差均低于5%。通过向空白玉米样品中加标评估方法准确性，回收率为84.4 ± 1.96%。

2.4 拉曼光谱采集

使用RamanStation 400 F拉曼光谱仪（Perkin-Elmer，Beaconsfield，Buckinghamshire，英国）采集研磨玉米样品的拉曼光谱数据。该仪器配备256×1024像素CCD探测器和785 nm近红外激光激发源。在聚焦区域内传递到样品的激光输出功率约为30 mW，该功率足够低，可防止激光诱导的样品损伤。系统使用配套的频谱仪控制和数据采集软件（Spectrum v.6.3）进行操作。

光谱在200-3200 cm?1的拉曼位移范围内记录，光谱分辨率为4 cm?1。每个光谱的采集使用2 s曝光时间和每次测量5次扫描。将约15 g样品放入样品架中进行分析。全自动化样品台由软件控制，操作精度小于2微步。它提供样品的自动x-y-z三维定位，以确保最佳的光谱测量。

对于每个样品，光谱数据通过对样品上不同位置采集的7次扫描结果取平均获得。所有样品均进行四次重复测量，并计算每个样品的平均光谱。为评估Ver A能否被拉曼光谱直接识别，采集了纯化Ver A的拉曼光谱。将溶解在甲醇中的Ver A沉积在石英基底的凹陷区域，在与玉米样品相同的仪器条件下进行测量。进行了三次重复测量，并将平均光谱用于与SHAP确定的关键波数区域的玉米光谱进行比较。

2.5 使用主成分分析和K-means聚类的探索性光谱分析

为探索拉曼光谱数据的内在结构，对208个样本的完整数据集进行了主成分分析（PCA）和K-means聚类。在这些探索性分析之前，所有光谱均使用标准正态变量变换进行预处理，以消除样品间的乘性散射效应和基线强度变化。将K-means聚类应用于PCA变换后的光谱数据以识别自然分组。该算法根据输入变量（特征）将数据划分为K个互斥簇[26]。通过优化代价函数，K-means旨在最大化同一簇内对象的相似性，同时最小化分配给不同簇的对象的相似性。

为确定最佳聚类数，本研究采用了两种常用的聚类质量评估方法："肘部法则" [5] 和轮廓分析 [27]。肘部法则通过在最小化类内方差与实现合理聚类之间权衡来选择最佳聚类数。轮廓分析则考察簇间分离距离，并评估每个数据点被分配到其所属簇的程度。轮廓系数范围为 -1 至 1，其中接近 1 的值表明样本被良好地聚类且远离邻近簇。

### 2.6 基于嵌套交叉验证的 Ver A 模型开发与验证

为确保具有地理泛化能力的无偏模型评估，本研究对分类和回归任务均采用了统一的嵌套留一组交叉验证（nested LOGO-CV）框架。208 份玉米样品按省份来源分组，每个省份构成一个组（四川、山东、河南、广东和贵州）。在外层循环中，每个省份的样品依次作为独立测试集，而来自其余四个省份的样品构成训练集（5 个外层折对应 5 个省份）。在每个外层折中，对训练集执行内部交叉验证循环以进行超参数优化。所有预处理步骤均集成到 scikit-learn 的 Pipeline 中以防止数据泄漏。共评估了五种机器学习算法用于两个任务：支持向量机/回归（SVM/SVR）、随机森林（RF）、梯度提升（GB）、极端梯度提升（XGBoost）和轻量级梯度提升机（LightGBM）。

#### 2.6.1 安全性分类模型

本研究开发了二分类模型以实现玉米样品安全风险评估与快速分选。考虑欧盟对 AFB1 的严格限值（5 μg/kg）以及 Ver A 作为 AFB1 生物合成前体的预警价值，本研究确立了 50 μg/kg Ver A 的关键阈值用于安全分类。低于该阈值的样品被归类为"安全"，超过该阈值的样品被归类为"风险"，以实现黄曲霉毒素污染的早期检测。

对于内循环，将来自四个省份的训练样品合并后使用分层 5 折交叉验证进行划分。采用分层划分而非按省份划分，是因为正/负类比例（基于 50 μg/kg 阈值）在各省份之间存在显著差异；按省份划分的内折会导致某些折中类别分布高度不平衡，从而导致超参数选择不可靠。分层划分确保每个内折都维持了代表整体训练集类别分布。类别不平衡问题通过类别加权进一步处理。选择召回率（Recall）作为内循环优化准则，优先检测受污染样品，以最小化食品安全筛查中的假阴性。模型性能使用精确率、召回率、F1 分数、受试者工作特征曲线下面积（AUROC）和平均精确率（AP）进行评估。

#### 2.6.2 定量回归模型

对于 Ver A 定量，内循环对训练集执行了 4 折 LOGO-CV，其中每个剩余省份依次作为内部验证集。回归任务采用按省份划分，原因如下：（i）回归任务不涉及类别标签，因此不需要分层以保持类别平衡；（ii）省份级分组更好地保留了数据的地理结构，为来自未知区域的样品提供了更现实的预测误差估计。RMSE 被用作优化目标。标准化和 PCA（n_components 范围为 10 至 30）等预处理步骤均集成到管道中。模型性能使用决定系数（R2）、RMSE 和性能偏差比（RPD）进行评估。

### 2.7 利用可解释人工智能解释关键波长

为解释单个拉曼波数对 RF 模型预测的贡献，本研究将 SHAP（SHapley Additive exPlanations）值在 PCA 空间中计算后反投影至原始波数空间，遵循 SHAPCA 框架（Zhang, Rossberg, Innocente, Komolibus, Gautam, O'Sullivan, Longo, & Visentin, 2026）。SHAP 是一种基于博弈论的模型解释方法 [28]，可量化单个预测中各特征的贡献。对于 LOGO-CV 框架的每个外层折，使用 shap.TreeExplainer 应用于训练好的 RF 模型，计算每个样品 i 和每个主成分 k 的 SHAP 值 φ_ik，采用基于树路径的特征扰动。针对不同分析目的采用了两种反投影变体。对于特征重要性排序，采用绝对值反投影：

(1) SHAP_abs(i, w_j) = Σ_k |φ_ik| · |W_kj|

其中 W_kj 是将第 k 个主成分连接到波数 w_j 的 PCA 载荷系数。波数级特征重要性随后计算为所有样品的均值：

(2) Importance(w_j) = (1/N) Σ_i SHAP_abs(i, w_j)

对于方向性影响可视化，使用带符号反投影以保留特征贡献的方向：

(3) SHAP_signed(i, w_j) = Σ_k φ_ik · W_kj

该反投影程序对五个外层 LOGO-CV 折独立执行。所得波数级重要性值在折间取平均，并计算标准差以评估跨折稳定性。计算训练集和测试集重要性排序之间的 Spearman 秩相关以评估所识别特征的可推广性。需要注意的是，该反投影提供的是近似重要性排序而非非线性 RF 模型的精确加性分解；然而，该方法已被验证适用于应用于 PCA 变换拉曼光谱数据的 RF 模型 [29]。

### 3. 结果与讨论

#### 3.1 拉曼光谱轮廓

拉曼光谱覆盖 200-3200 cm?1 范围，对非极性官能团中共价键表现出强散射信号。与红外光谱不同，拉曼光谱对水不敏感，产生的重叠光谱带更少。

在高频区域（3000-3200 cm?1），光谱由对应于玉米成分的高峰包络线主导。2848-2856 cm?1 附近的特征峰归因于玉米淀粉中脂肪族 C-H 键振动 [30]、[31]。由于 Ver A 含量远低于基质成分含量，检测机制主要依赖于污染对玉米整体分子环境的细微影响，而非直接的分子光谱鉴定 [30]、[32]。尽管如此，如果这些特征可用于预测 Ver A 污染，它们对于样品分类和定量仍然具有价值。图 1 展示了按不同 Ver A 污染水平分组的玉米样品的光谱变化模式。


图 1. 不同 Ver A 污染水平玉米样品的代表性拉曼光谱。

利用 PCA 可视化了不同 Ver A 含量玉米样品的光谱特征。对于不同 Ver A 含量的样品，观察到相似的光谱聚类模式。PCA 结果（图 2a、b）表明，在光谱特征的高维数据集中，前两个主成分有效地捕捉了数据的主要变化。PC1 解释了 73.1% 的数据方差，显示出主导性贡献。PC2 贡献了 11.1% 的方差，提供了重要的补充信息。两个主成分合计解释了 84.2% 的总方差。累积方差曲线呈典型的"急剧上升后趋于平稳"模式，前五个主成分解释了超过 95% 的总数据变化。这证实了拉曼光谱数据在 Ver A 检测应用中具有优异的降维表征能力。


图 2. 经过标准正态变换（SNV）预处理后拉曼光谱数据的主成分分析与聚类优化。（a）前 20 个主成分的方差解释率，显示 PC1 以约 73% 的方差为主导；（b）随成分数增加累积解释的方差，前 5 个成分捕获了超过 95% 的总方差（红色虚线表示 90% 阈值）；（c）利用肘部法则和轮廓分析的聚类优化，确定最优聚类数 k=2，最大轮廓系数为 0.740；（d）二维 PCA 得分图（PC1: 73.1%, PC2: 11.1%），样品按 k-means 聚类结果着色（k = 2）。

聚类优化分析（图 2c）通过肘部法则和轮廓分析的双重验证确定了最佳聚类数。类内平方和（WCSS）曲线在 k=2 处显示出明显的"肘部"特征，在 k=3 时从约 23,500 急剧下降至 15,800。超过该点后，下降速率显著放缓，形成典型的肘部拐点。轮廓系数在 k=2 时达到最大值 0.740，显著高于其他聚类数的得分。该结果表明两簇方案在类内紧凑性和簇间分离之间实现了最佳平衡。当 k > 2 时，轮廓系数呈现波动下降趋势，WCSS 的边际改善进一步减弱。这证实了过度分割会降低聚类质量。

#### 3.2 安全分选分类分析

为实现玉米样品的安全风险评估与快速分选，本研究基于 Ver A 浓度阈值开发了二分类模型，以区分安全样品和潜在风险样品。

AUROC 分析表明，集成学习方法通常优于传统机器学习算法（图 3a）。LightGBM 获得了最高 AUROC 值（0.855），紧随其后的是 XGBoost（0.854）和 RF（0.853），三者之间性能差异极小。GB 表现中等（AUROC = 0.827），而 SVM 尽管表现出优异的召回率，但 AUROC 最低，仅为 0.713。这一差异表明 SVM 采用了激进的决策边界，以牺牲特异性为代价换取高灵敏度。鉴于数据集固有的类别不平衡，精确率-召回率曲线为模型评估提供了更稳健的补充视角。XGBoost 展现出最佳的整体判别能力，AP 为 0.919，其次是 RF（0.918）、LightGBM（0.905）和 GB（0.901），均大幅超过基线水平（0.63）。SVM 的 AP 为 0.814，表明在不同召回率阈值下精确率相对较低，进一步印证了其较高的假阳性率。


图 3. 机器学习算法在玉米样品 Ver A 污染分类中的性能评估。（a）五种分类算法的受试者工作特征曲线（ROC，左）和精确率-召回率曲线（PR，右）。虚线表示随机分类器性能（ROC）和基线精确率 0.63（PR）；（b）五个测试省份（广东、贵州、河南、山东和四川）跨省份验证的召回率（左）和 F1 分数（右）热图；（c）混淆矩阵比较 SVM（左；召回率 = 0.985，精确率 = 0.699）和 XGBoost（右；召回率 = 0.871，精确率 = 0.804），展示召回率与精确率之间的权衡。阳性（1）表示超过 50 μg/kg 阈值的样品。

地理泛化能力是评估分类模型实际部署可行性的重要指标。如图 3b 所示，集成方法在召回率表现上表现出区域差异。XGBoost 的召回率范围为 0.77（四川）至 0.96（山东），而 F1 分数变化范围为 0.72（广东）至 0.91（河南）。值得注意的是，山东省在大多数算法中始终获得最高召回率，而四川省则表现出相对更大的分类挑战。这些区域差异可能归因于各省份间玉米品种组成、气候条件和样品分布特征的不同，表明在亚热带地区部署可能需要区域特定的校准。SVM 获得了最高召回率（98.5%），但代价是假阳性率（FPR）为 73.7%，精确率降低至 69.9%，意味着近四分之三的真正安全样品被错误标记为受污染。相比之下，XGBoost 将 FPR 大幅降低至 36.8%，并实现了 80.4% 的精确率，总体准确率为 78.4%，超过 SVM（72.1%）。然而，这一改进以增加假阴性率（FNR）为代价：XGBoost 的 FNR 为 12.9%，而 SVM 仅为 1.5%（图 3c）。

这种 FPR-FNR 权衡对食品安全筛查应用具有关键意义，最优模型选择取决于具体的风险容忍度和操作环境。在保守筛查场景中——即最小化漏检污染为首要目标，如出口检验或婴儿食品生产——尽管拒绝大量安全样品带来的经济成本较高，但可能更倾向于选择 SVM，因其极低 FNR 为 1.5%。在常规工业粮食筛查中，需要兼顾安全保障和经济效率，XGBoost 提供了更实用的方案：其 FPR 从 73.7% 降至 36.8%，大幅减少了安全粮食批次的非必要性拒绝，而其 12.9% 的 FNR——虽高于 SVM——可通过对接近 50 μg/kg 阈值的边界样品实施确认性 LC-MS/MS 检测来缓解。在实际操作中，可采用两级筛查策略：XGBoost 用于初步快速分选，随后对预测概率在定义不确定范围内的样品进行确认性分析。

这段内容介绍了一项关于将拉曼光谱技术与机器学习算法相结合，用于玉米样本中黄曲霉毒素（AF）快速无损检测的研究。以下是该研究的关键要点：

## 核心方法
- **技术组合**：拉曼光谱 + 机器学习算法（随机森林、XGBoost、SVM等）
- **检测方法**：快速、非破坏性、无需有机溶剂
- **检测时间**：每份样本少于5分钟

## 模型性能
| 指标 | 随机森林（RF）结果 |
|------|------------------|
| R2 | 0.862 |
| RMSE | 11.78 μg/kg |
| RPD | 2.69 |

- **分类任务**（50 μg/kg阈值）：
- XGBoost：最佳整体判别性能（AP = 0.919）
- SVM：最高召回率（98.5%），但假阳性率较高

## 关键光谱特征
- **SHAP分析识别**：681.67 cm?1波段为AF检测的关键特征
- 该波段对应毒素分子特定官能团的振动特性

## 实际应用优势
1. 样品前处理极少或无需前处理
2. 检测速度快（<5分钟/样本）
3. 不使用有机溶剂，符合绿色分析化学原则
4. 适合开发便携式检测设备

## 推荐策略
- **两层筛查策略**：快速拉曼分类 + 边界样品的LC-MS/MS确证分析
- 适用于粮食采购、储存和加工过程中的现场快速监控

## 研究局限与展望
- 已验证跨省泛化能力（5个省份，208个样本）
- 未来方向：算法优化、样本库扩展、便携式设备开发、其他真菌毒素的快速检测

---

**请问您希望我针对这项研究的哪个方面提供更多信息或帮助？** 例如：
- 技术原理的详细解释
- 与其他检测方法的比较
- 实际应用案例
- 后续研究方向探讨
- 或者您有其他具体问题？

这些努力将为构建全面的粮食安全监控系统奠定坚实基础。
环境意义
本研究能够在黄曲霉毒素形成之前早期检测黄曲霉毒素前体 A（Versicolorin A），防止受污染谷物进入食物网和农业废弃物流。拉曼光谱 -XGBoost 方法消除了传统分析方案所需的复杂实验室程序所产生的有毒溶剂和危险废物。实时现场筛查可防止真菌毒素污染的地域性扩散，并通过减少农业径流降低环境风险。高通量能力通过实现对受污染作物的靶向管理而非无差别处理，从而支持精准农业。这种快速、无化学试剂的检测技术有助于可持续农业实践，同时保护陆地和水生生态系统免受真菌毒素暴露，最终维护环境健康与粮食安全。
CRediT 作者贡献声明
谢春芳：形式分析、数据整理。姚东升：监督、资金获取、概念构思。李丽蓉：方法学。陈宇涵：软件、形式分析。刘碧君：方法学、概念构思。郑少炎：原创草稿撰写、方法学、数据整理、概念构思。
郑少炎|刘碧君|陈宇涵|李丽蓉|谢春芳|姚东升
暨南大学生医药学院，广东省广州市 510632，中国。