《Toxins》：Predictive Artificial Intelligence Models for Mycotoxin Surveillance and Mitigation in Poultry Production Systems
霉菌毒素是动物饲料中广泛存在的污染物，持续对全球动物福利、生产效率、食品安全和可持续经济增长构成严重威胁。鸡对多种霉菌毒素高度敏感，如黄曲霉毒素（AFLs）、脱氧雪腐镰刀菌烯醇（DON）、伏马菌素（FBs）、玉米赤霉烯酮（ZEA）、赭曲霉毒素A（OTA）和T-2毒素。暴露于这些毒素会损害肠道完整性、削弱免疫功能、影响营养吸收，甚至在亚临床浓度下最终降低生产效率。常规霉菌毒素检测方法，如酶联免疫吸附测定（ELISA）和色谱技术，虽然能提供准确定量，但成本高、劳动强度大、耗时，且不适用于大规模筛查，尤其是在存在隐蔽型霉菌毒素的情况下。多种霉菌毒素的频繁共存进一步使风险评估和有效管理复杂化。新兴分析技术，包括高光谱成像、生物传感器、基于物联网（IoT）的平台和机器学习算法，为快速检测和预测性风险预报提供了有前景的进展。本综述总结了主要霉菌毒素对家禽的毒理学影响，概述了检测和预防中的关键挑战，并评估了当前用于霉菌毒素鉴定、预测和管理的人工智能（AI）和机器学习（ML）方法。针对PubMed、ScienceDirect和Google Scholar的系统文献检索共识别出2010年至2026年间发表的176项独特研究。主要知识缺口包括高质量数据集和源代码的可用性有限、模型可解释性不一致，以及跨生产环境的可重复性差。通过将传统毒理学与数据驱动方法相结合，本综述强调了预测性建模如何能够加强霉菌毒素监测，并支持现代家禽生产系统中的主动缓解策略。
1. 引言
霉菌毒素是农业作物及其副产品中普遍存在的有毒真菌次生代谢产物，在全球范围内构成重大挑战。多种气候和环境因素，包括高温高湿、过量降雨、通风不足、储存条件不当和卫生状况差，均会促进真菌生长和霉菌毒素产生。无论急性还是慢性亚临床浓度暴露，均可导致毒性、致癌性、生产性能下降以及牲畜福利问题。除生物效应外，霉菌毒素还通过降低作物品质和产量、增加疾病预防和生物安全成本、造成食物浪费和贸易限制而带来显著经济负担。仅在美国，与霉菌毒素污染相关的年度作物损失估计约9亿美元，另有4亿美元用于检测和质量控制过程。总体而言，这些挑战凸显了持续监测和有效缓解策略的迫切需求。
鉴于这些全球性挑战，非反刍动物，特别是猪和家禽，是全球肉类和蛋类生产的主要组成部分，且对霉菌毒素暴露高度敏感。家禽业的快速扩张增加了饲料供应链的压力，导致原料采购更加复杂，并增加了与饲料相关污染的易感性。在此背景下，霉菌毒素因其稳定性、在谷物中的普遍性以及在商业生产条件下难以控制而持续构成挑战。由于谷物及其副产品是常见的家禽饲料原料，霉菌毒素污染几乎不可避免，并构成一个重要的“One Health”问题，影响动物健康、人类食品安全以及从农场到餐桌连续体中的环境安全。
产生主要威胁家禽生产的霉菌毒素的真菌属包括曲霉属（Aspergillus）、镰刀菌属（Fusarium）和青霉属（Penicillium）。饲料供应链的全球化进一步加剧了这些风险；在国内短缺期间依赖进口饲料原料可能引入区域特异性真菌菌株，从而加剧现有污染模式并使质量控制和预防策略复杂化。更复杂的是，玉米和小麦等饲料原料以及加工饲料经常同时受到多种毒素污染。即使在低浓度下，这些多种霉菌毒素的组合也可能产生相加或协同效应，导致比单一毒素（如DON和FBs）单独作用更严重的生理损伤。慢性霉菌毒素暴露具有显著经济后果，因为明显的临床症状（如喙侵蚀或脂肪肝）通常在亚临床暴露期间不会显现，使禽类看似健康，却存在消化受损、免疫功能受损和整体生产性能下降。由于饲料成本占总生产成本的60%–70%，即使是亚临床真菌中毒引起的生长或饲料效率的微小损失，也可能压缩本已微薄的利润空间，并对农场盈利能力产生负面影响。
除对家禽的这些影响外，霉菌毒素还因在肉、蛋和内脏器官中的残留积累而对人类健康构成直接风险。每日可耐受摄入量限值极低，包括ZEA为0.25 μg/kg体重（BW）/天，DON及其修饰形式为1 μg/kg BW/天，FBs的临时限值为2 μg/kg BW/天。即使转移到禽产品中的微量水平也可能超过这些阈值，这强调了旨在最大限度减少残留污染的现代预防策略的必要性。因此，包括预测性建模在内的高级预防方法在现代家禽生产系统中对保护动物和人类健康变得越来越重要。
尽管问题严重，当前霉菌毒素管理策略仍严重依赖常规检测方法，干预通常仅在污染已经发生后进行。免疫分析和色谱技术仍是最常用的诊断工具，而高效液相色谱（HPLC）和液相色谱串联质谱（LC-MS/MS）是定量霉菌毒素的金标准。然而，这些方法需要专业设备、训练有素的人员和高分析成本，这限制了其在全球化饲料供应链中进行快速大规模筛查的实用性。
为解决这些局限性，农业中数字工具的日益普及催生了数字毒理学这一跨学科领域，它将毒理学与AI和ML相结合。这些技术能够实现对污染风险的早期预测，加强监测，并在霉菌毒素进入牲畜饲料或人类食物链之前支持及时干预。在家禽系统中，AI和ML为从传统的仅检测方法向整合常规方法和基于ML的预测工具的综合方法过渡提供了机会，以实现主动风险评估和更好的保护。本综述首次提供了以家禽为重点的、关于已建立和新兴的AI/ML在霉菌毒素检测、预测和控制中应用的综合分析。它整合了来自传统毒理学、光谱和传感器技术以及数据驱动建模的信息，概述了预测工具如何能够加强现代家禽生产系统中的监测。
当前机器学习工具在霉菌毒素监测中的应用仍受若干限制。现有模型很少在商业家禽饲料系统中得到验证，且大多数是基于单一谷物数据集开发的，或仅关注单一母体毒素。对配合饲料、自然发生的共污染、隐蔽型霉菌毒素或饲料污染与家禽水平生理反应之间关系的关注有限。许多可用数据集规模较小或受地理限制，缺乏前瞻性或外部验证，并且提供的模型敏感性、稳健性和实际适用性信息有限。还需要指出的是，机器学习方法在家禽霉菌毒素监测和预防中的应用仍是一个新兴领域，验证模型有限、数据集受限，且商业决策集成实例很少，这是当前文献中的一个关键局限性。针对这些缺口，本综述旨在：(i) 总结影响家禽的主要霉菌毒素及其毒理学影响；(ii) 概述目前家禽生产中使用的常规检测和缓解策略；(iii) 批判性评估已建立和新兴的AI和ML方法在霉菌毒素鉴定、预测和监测中的应用；(iv) 确定实际局限性和未来优先事项，以开发可靠、可解释且可现场部署的预测工具，支持饲料厂、农场和监管监测计划的决策。
2. 综述方法
本综述审查了2010年至2026年间发表的同行评审研究。在六个月期间，对PubMed、ScienceDirect和Google Scholar进行了结构化文献检索，共获得650项与饲料和食品中霉菌毒素相关的独特研究。主要检索词包括主要霉菌毒素名称（AFL或DON或FBs或ZEA或OTA或T-2毒素或HT-2毒素或隐蔽型霉菌毒素），并结合家禽特异性和机器学习术语（家禽、饲料、缓解、深度学习、神经网络、随机森林、支持向量机、梯度提升）。还手动筛选了符合条件文章的参考文献列表和相关综述，以识别额外研究。纳入标准为同行评审的英文文章，报告霉菌毒素对家禽的影响、检测方法或常规及基于机器学习模型的缓解策略。排除标准包括非同行评审来源，以及缺乏分析限值、检测范围、数据类型或模型验证明确信息的文章。经过全文筛选后，176项研究符合资格标准，并被保留进行详细评估。
3. 家禽健康中关注的主要霉菌毒素概述
家禽对霉菌毒素的暴露源于禽类易感性与饲料污染持续趋势之间的复杂相互作用。由于商业家禽日粮严重依赖谷物和农工业副产品，禽类经常暴露于多种真菌代谢物，即使在低浓度下也可能损害生理系统。这些霉菌毒素通过多种相互关联的生物学机制发挥毒性作用。
3.1. 黄曲霉毒素
AFLs，主要是黄曲霉毒素B1（AFB1），由黄曲霉（Aspergillus flavus）和寄生曲霉（Aspergillus parasiticus）产生，是影响家禽的强效肝毒性霉菌毒素。AFLs在家禽饲料中的监管限值严格，反映了禽类对这些毒素的高度敏感性。根据美国食品药品监督管理局（FDA）和欧盟（EU）指南，家禽饲料中AFL的最大允许浓度为：成年禽0.1 mg/kg，八周龄以下禽0.02 mg/kg，这与EU一般限值0.02 mg/kg一致。AFL暴露导致鸡的体重增加（BWG）显著降低（10%–25%），饲料转化率（FCR）增加15%–30%，并增加对传染病的易感性和致癌作用。摄入后，AFB1与细胞色素P450酶相互作用，生物转化为活性代谢物AFB1-8,9-环氧化物。该代谢物易于与DNA结合形成加合物，启动一系列生化变化，损害解毒途径，改变细胞代谢，并增加诱变和肿瘤发展的风险。在细胞水平上，AFB1干扰蛋白质合成，诱导氧化应激，并引发细胞毒性、DNA损伤和凋亡。尸检结果常见肝肿大和苍白肝脏，表明脂肪变性。相应地，组织病理学检查显示局灶性出血、窦状隙充血、细胞质空泡化，严重时出现坏死、胆管增生、淋巴浸润和纤维化。在分子水平上，暴露于1 mg/kg AFB1的肉鸡表现出抗氧化酶（如超氧化物歧化酶（SOD））表达降低，以及炎症介质表达增加，包括 toll样受体4（TLR4）、核因子κB（NF-κB）、肿瘤坏死因子α（TNF-α）、诱导型一氧化氮合酶（iNOS）、细胞色素P450家族1亚家族A成员1（CYP1A1）、白细胞介素1β（IL-1β）、白细胞介素6（IL-6）和白细胞介素8（IL-8）。AFL污染还构成重大的公共卫生问题。由于摄入的AFB1及其残留物可转移到禽类组织中，日粮浓度的大约1/1200转移到肉中，1/2200转移到蛋中。尽管这些数值较低，但在监管薄弱或谷物质量控制不足的地区仍可能导致人类暴露。环境条件强烈影响AFL的发生。曲霉属物种在温暖潮湿的环境中繁衍，使得AFB1污染在温暖季节和热带地区更为普遍。随着全球饲料供应链日益依赖国际谷物市场，对进口商品的严格监管监测至关重要，特别是那些来自高温高湿条件使储存和处理复杂化的地区。
3.2. 脱氧雪腐镰刀菌烯醇
DON主要由禾谷镰刀菌（Fusarium graminearum）产生，是家禽饲料中最常见的单端孢霉烯族霉菌毒素之一，因其在碾磨和热处理过程中的稳定性而成为主要关注点。作为B型单端孢霉烯，DON与60S核糖体亚基结合并抑制蛋白质合成。这种相互作用激活丝裂原活化蛋白激酶（MAPK）信号通路，导致白细胞凋亡和先天免疫反应抑制。较高毒素浓度会触发巨噬细胞凋亡并进一步削弱宿主防御。由于鸡对DON的高度敏感性，监管机构已制定了严格限值。FDA和EU推荐肉鸡日粮中的最大浓度为5 mg/kg。小肠是DON毒性的主要靶器官；DON暴露会降低营养吸收，并导致BWG减少10%–18%。DON损伤肠内壁，减少绒毛长度和宽度，并改变紧密连接蛋白（如密蛋白）的表达。肠道屏障完整性的破坏增加肠道通透性，促进菌群失调，损害免疫防御，导致包括亚临床坏死性肠炎在内的肠道疾病。越来越多的关注指向隐蔽型或修饰形式的DON-3-葡萄糖苷和DON-硫酸盐。这些修饰形式常常逃避常规标准检测方法，但在消化道中被水解，释放出具有生物活性的DON，导致隐藏毒性。它们的存在使准确风险评估复杂化，并证明了传统检测技术的局限性。
3.3. 伏马菌素
FBs，特别是由轮枝镰刀菌（Fusarium verticillioides）和层出镰刀菌（Fusarium proliferatum）产生的伏马菌素B1（FB1），常见于玉米及其副产品中。FB1是家禽生产中的重要霉菌毒素关注点，因其具有免疫毒性和肝毒性。FB1抑制神经酰胺合酶并改变鞘脂代谢，而鞘脂代谢对维持细胞膜完整性、正常细胞信号转导和肝功能至关重要。这种生化破坏导致氧化应激、细胞毒性和凋亡。根据监管指南，FDA推荐成品家禽饲料中FBs最大浓度为50 mg/kg，种鸡为15 mg/kg，而EU设定的一般限值为20 mg/kg。然而，全球监测研究表明，在高度依赖玉米且收获后储存和处理实践不足的地区，FBs浓度经常超过这些阈值。在一个月内暴露于75–400 mg/kg水平的FBs与生长减少、采食量下降和器官损伤有关。临床上，暴露于FBs的禽类表现出生长性能下降8%–10%、产蛋量减少、腹泻和跛行。这些症状与组织病理学病变相对应，其特征为肝和肾变性、空泡化和坏死。
3.4. 玉米赤霉烯酮
ZEA主要由禾谷镰刀菌产生，是一种雌激素性霉菌毒素，因其化学结构类似于17β-雌二醇而与雌激素受体结合。这种受体相互作用导致鸡的高雌激素血症和多种生殖障碍，包括卵泡变性、睾丸萎缩、不育和产蛋周期不规则，以及产蛋量和孵化率降低10%–15%。ZEA暴露还会增加胚胎死亡率和降低雏鸡生长性能。
3.5. 赭曲霉毒素A
赭曲霉毒素，主要是赭曲霉毒素A（OTA），由赭曲霉（Aspergillus ochraceus）、黑曲霉（Aspergillus niger）和疣状青霉（Penicillium verrucosum）产生。OTA是一种强效肾毒素，也具有免疫抑制、致畸和致突变特性。由于其对家禽健康的显著影响，EU推荐家禽日粮中OTA最大浓度为0.1 mg/kg。饲料中暴露于2 mg/kg OTA会导致体重增加和产蛋量下降，并增加饮水量、腹泻、贫血、羽毛不良和死亡率。幼禽高度敏感，因为其免疫器官（包括胸腺和法氏囊）尚未完全发育。尸检通常发现肾脏和肝脏肿大。受影响器官的组织病理学评估显示明显的肾小管变性、肾小球损伤、脂肪浸润、空泡变性，以及胸腺和法氏囊中的淋巴耗竭。这些病变反映了OTA的肾毒性和免疫毒性联合作用。在肉鸡中，日粮暴露于3.2或6.4 mg/kg OTA会显著降低抗氧化酶活性，进一步加剧氧化应激和细胞损伤。
3.6. T-2和HT-2毒素
T-2和HT-2毒素属于A型单端孢霉烯，由镰刀菌属物种产生，是影响家禽的最强效霉菌毒素之一。这些毒素对口腔和胃肠道（GIT）的黏膜表面造成严重损伤。T-2毒素诱导细胞膜和DNA的氧化损伤，导致肉鸡凋亡增加。根据EU指南，家禽饲料中T-2和HT-2毒素的推荐水平为0.25 mg/kg。暴露于这些毒素会产生口腔和消化系统的特征性病变，包括溃疡、坏死和上皮脱落。免疫抑制也很突出，因为T-2和HT-2毒素损害体液和细胞免疫反应。临床上，受影响禽类表现出采食量和体重增加减少，反映了胃肠道损伤、代谢紊乱和免疫抑制的综合影响。
3.7. 霉菌毒素诱导的细胞和免疫功能障碍的核心机制
多种霉菌毒素经常以低或亚临床水平共存于家禽饲料中，其联合暴露通常导致相加或协同毒性效应。这些相互作用导致生长性能下降、饲料转化率（FCR）增加、免疫抑制、肠道完整性破坏以及对传染病的易感性增加。
3.8. 氧化损伤和线粒体功能障碍
主要霉菌毒素（包括AFB1、T-2、DON、FB1和OTA）共有的核心机制是诱导氧化应激。这些毒素增加活性氧（ROS）的产生，并损害抗氧化防御系统，如核因子E2相关因子2（Nrf2）/Kelch样ECH相关蛋白1（Keap1）信号通路。过量ROS破坏线粒体功能，耗竭抗氧化酶（包括超氧化物歧化酶、过氧化氢酶和谷胱甘肽过氧化物酶），并触发对蛋白质、脂质和核酸的损伤。线粒体损伤和ROS增加通过升高的Bax/Bcl-2比率和激活caspase-3、caspase-9和聚（ADP-核糖）聚合酶1（PARP-1）促进凋亡。
3.9. 肠道完整性破坏和微生物菌群失调
霉菌毒素对肠道结构和屏障完整性也有共同影响。紧密连接蛋白（如occludin或zonula occludens）表达减少会增加细胞旁通透性，促进病原体易位进入体循环。微绒毛和结构蛋白（如ACT-5）的损伤进一步损害营养吸收。这些改变共同促进菌群失调，减少有益细菌种群（如乳杆菌属和双歧杆菌属），同时有利于机会性病原体（如大肠杆菌和产气荚膜梭菌）。长期暴露于亚临床浓度的多种霉菌毒素也会显著改变微生物多样性、短链脂肪酸产生和代谢途径。
3.10. 先天性和适应性免疫损伤
免疫抑制是多种霉菌毒素暴露的另一个标志。AFB1、OTA和T-2毒素通常降低先天免疫细胞（包括中性粒细胞、巨噬细胞、树突状细胞和自然杀伤细胞）的数量和功能。它们损害淋巴细胞增殖，抑制白细胞介素-2（IL-2）和干扰素-γ（IFN-γ），并降低疫苗效力。OTA和T-2污染与抗体滴度降低有关，包括针对新城疫病毒（NDV）的抗体滴度降低10.4%。总体而言，这些机制损害先天性和适应性免疫，增加对继发感染的易感性。
4. 隐蔽型霉菌毒素：饲料安全和家禽健康中的新关注点
修饰或隐蔽型霉菌毒素通过多种生物学、化学以及饲料和加工相关机制形成。植物可能作为对其入侵产毒真菌的防御反应而转化霉菌毒素，而真菌本身也可能在宿主定殖过程中改变毒素结构。这些修饰型霉菌毒素通常与碳水化合物、硫酸盐或蛋白质结合，从而改变其理化性质，如分子结构、溶解性和极性。因此，隐蔽型霉菌毒素常常逃避常规分析技术的检测，包括HPLC和LC-MS/MS。然而，一旦进入动物消化系统，它们可被水解并释放其具有生物活性的母体化合物，导致对真实暴露水平的低估，并造成隐藏毒性。
5. 家禽中霉菌毒素暴露的经济和全球动态
5.1. 对家禽生产的经济影响
霉菌毒素引起的生物效应直接转化为家禽生产者的重大财务损失。霉菌毒素暴露导致FCR增加5%–15%，生长速率和产蛋量下降，发病率增加，因病变导致的屠体废弃率升高，以及死亡率上升，所有这些都增加了生产成本。与霉菌毒素残留相关的贸易拒绝进一步加剧了这种情况，估计全球年损失在13亿至25亿美元之间。额外费用来自使用饲料添加剂（如黏合剂）、专门解毒补充剂以及处理受污染饲料材料。尽管急性中毒已得到充分认识，但慢性或亚临床霉菌毒素暴露的隐藏成本在常规农场运营中常常被忽视。这种低水平污染可能随时间悄悄损害生产性能，有时超过急性爆发的经济影响。因此，有必要采取有效的缓解策略以减少财务和生产损失。
5.2. 塑造霉菌毒素风险的全球趋势演变
霉菌毒素污染模式在全球范围内持续变化，受气候变化和环境条件变化的影响。气候变化在此变化中起主要作用，改变降雨模式、温度分布和湿度水平，从而支持真菌生长和毒素产生。温暖潮湿的热带地区正经历越来越多的AFL挑战，而较凉爽的温带地区则遇到FBs和DON污染发生率的增加。不可预测的降雨、长期干旱和热应激进一步有利于种植和收获后储存期间的真菌生长。由于对饲料原料的巨大需求，原料采购已导致从不同地理区域采购原料，特别是在短缺时期。这种做法增加了多种真菌物种污染的可能性，并将区域特异性霉菌毒素谱引入饲料供应链。最近的全球霉菌毒素调查表明，成品家禽饲料中DON、FBs和ZEA频繁共存。这种组合增加了相加或协同毒性效应的风险，加剧了对家禽健康和生产的整体威胁。
6. 家禽生产中的霉菌毒素控制策略
有效的家禽霉菌毒素管理依赖于综合性策略，整合预防性、管理性和生物性干预。由于霉菌毒素可能在饲料链的多个点（包括种植、收获和储存）产生，它们对食品安全和经济可持续性构成持续挑战。这些后果强调了实施有效干预策略以减轻霉菌毒素暴露相关不利影响的重要性。
6.1. 收获前控制措施
收获前霉菌毒素缓解侧重于旨在限制真菌感染和毒素产生的良好农业实践。策略包括种植抗虫和抗真菌品种、实施轮作和定期耕作、保持充足灌溉以减少干旱胁迫，以及应用有效的病虫害防治措施。然而，这些收获前措施可能受到高实施成本、不可预测的气候条件以及抗性品种产量降低的限制。
6.2. 收获控制措施
收获期间的因素，如不规律降雨、收获延迟、籽粒机械损伤和高谷物水分，显著影响真菌生长和随后的毒素积累。推荐实践包括及时收获、适当机械速度和尽量减少籽粒损伤。然而，在大规模谷物生产系统中，这些实践可能难以持续实施。因此，收获后管理对于防止真菌生长和霉菌毒素形成至关重要。
6.3. 收获后霉菌毒素脱毒方法
收获后干预措施灵活多样，在维持家禽饲料安全中起主要作用。它们包括旨在减少或灭活霉菌毒素的物理、化学和生物方法。
6.3.1. 物理脱毒方法
分选和清洁可去除明显受损的籽粒和异物，这些通常含有较高浓度的霉菌毒素。这些方法无需引入化学残留即可显著降低毒素水平，但受限于霉菌毒素常常不可见且分布不均的事实。干燥可降低谷物对真菌感染或害虫的敏感性，因为它降低了水分含量和水活度。局限性包括高燃料成本、水分去除不一致，以及无法消除现有霉菌毒素。凉爽、干燥、通风良好的储存条件可减缓真菌生长，但需要大量基础设施和管理。热处理技术，如挤压、制粒、烘烤和煮沸，可减少热不稳定霉菌毒素。然而，AFB1、OTA、ZEA和DON大部分是热稳定的，限制了其有效性。脱毒效果取决于食品基质、温度、时间和毒素类型；过热可能降低食品的营养品质和感官特性。电离辐射（X射线和γ射线）和非电离辐射（紫外线（UV）、微波、红外和无线电波）可抑制真菌生长或结构降解霉菌毒素。然而，完全降解毒素通常需要较高辐射剂量，这可能改变营养品质、影响微生物生态或降低消费者接受度，限制其大规模应用。冷等离子体处理是物质的第四态，可破坏真菌细胞壁、抑制孢子形成并减少毒素产生。它留下的残留物极少，通常不损害食品质量。尽管有前景，但需要进一步研究以优化大规模应用的参数。使用饲料级毒素黏合剂仍是减少霉菌毒素胃肠吸收的最常见策略之一。黏土基黏合剂对极性毒素（如AFLs）更有效，但对DON和ZEA等低极性化合物效果较差。黏合剂性能取决于表面积、电荷分布和对特定毒素官能团的亲和力。因此，不同霉菌毒素间的功效差异很大，针对特定毒素谱评估黏合剂至关重要。
6.3.2. 化学脱毒方法
化学脱毒可显著降低原料饲料中的霉菌毒素水平，但这些方法可能留下化学残留、改变感官特性，并受监管限制。尽管有效，但必须仔细评估其安全性和实用性。碱处理：在高温高压下，碱性化合物如氨、氢氧化钙或氢氧化钠通过水解打开AFL的内酯环，并破坏DON的环氧环。然而，形成隐蔽形式的可能性和处理后的化学残留风险评估限制了其使用。臭氧氧化：氧化剂如臭氧、过氧化氢、次氯酸钙或次氯酸钠可降解AFLs、DON和ZEA。然而，处理效率取决于臭氧浓度和暴露时间，而过量臭氧化会导致蛋白质变性、脂质氧化和饲料品质的不良变化。有机酸：柠檬酸和丙酸等有机酸可将霉菌毒素化学修饰为毒性较低的衍生物。尽管有效，但高酸浓度可改变饲料pH、营养价值和饲料产品的感官特性。
6.3.3. 生物脱毒方法
生物脱毒因物理和化学方法在外部作用且无法逆转霉菌毒素引起的生理损伤而受到关注。微生物及其酶提供了一种环境友好的脱毒选择，可通过吸附或生物转化降解毒素。益生菌：有益细菌如乳杆菌属、芽孢杆菌属、肠球菌属以及酵母如酿酒酵母（Saccharomyces cerevisiae）通过结合细胞壁成分或转化为毒性较低的代谢物来脱毒霉菌毒素。这些微生物通常被认为是安全和环境友好的。然而，其功效因菌株、毒素类型和环境条件而异。酶促脱毒：尽管微生物可有效降解霉菌毒素，但许多菌株无法在胃肠道环境中存活或保持活性。它们的酶，如氧化酶、过氧化物酶和还原酶，可独立发挥作用并分解AFB1、ZEA、FUM和DON。酶促脱毒环境安全且高度特异，但其实际应用受酶稳定性、对饲料加工条件的敏感性以及商业生产成本限制。尽管在物理、化学和生物脱毒方法方面取得了进展，但没有任何单一方法对从家禽饲料中完全去除霉菌毒素是广泛有效或经济可行的。这一局限性强调了预测性建模和先进风险管理策略的必要性，这些策略可以在早期识别污染风险并支持主动干预，而不是仅依赖污染后的脱毒。
7. 当前霉菌毒素定量分析的挑战
霉菌毒素在谷物和饲料样品中的不均匀分布是可靠检测的主要挑战。局部“热点”通常与高水分区域相关，具有大量真菌生长和高霉菌毒素浓度。如果采样有限或储存不当，收集真正代表性的样品是主要挑战。这些差异导致非代表性样品和不准确的定量。因此，为确保可靠检测，代表性采样策略（包括样品混合、多个子样品和样品合并）对于评估污染水平至关重要。常规霉菌毒素检测技术包括ELISA、放射免疫分析、色谱方法和质谱法。免疫学检测，特别是侧向流动装置和ELISA，因其相对简单、快速和成本效益高而广泛用于常规筛查。然而，免疫学检测方法存在局限性，因为抗体与修饰代谢物的交叉反应性，以及对隐蔽或修饰毒素的低敏感性和基质干扰效应，这些降低了敏感性和特异性。因此，免疫分析结果通常需要使用色谱方法进行确认。色谱技术如HPLC和LC-MS/MS仍是准确定量和鉴定已知霉菌毒素的金标准。HPLC通常使用紫外或荧光检测器，而LC-MS/MS通过基于质荷比检测分析物提供更高的选择性和敏感性。尽管可靠，但这些技术需要高技能人员、专业实验室设施、复杂的操作程序和高分析成本。即使经过优化，色谱方法也可能无法检测到低水平共污染。例如，基于UHPLC-MS/MS的检测限（LOD）和定量限（LOQ）值在不同霉菌毒素间差异很大。AFB1和ZEA通常表现出0.25 ng/g的LOD，LOQ分别为0.5 ng/g和1.0 ng/g。OTA、T-2和HT-2毒素的LOD为2.0 ng/g，而相应的LOQ为OTA和T-2 4.0 ng/g，HT-2 8.0 ng/g。FB1的LOD高得多，为15.0 ng/g，LOQ为30.0 ng/g，而DON的LOD为20.0 ng/g，LOQ为100.0 ng/g。低于这些阈值的霉菌毒素可能逃避色谱检测，但仍对禽类产生生物学效应，造成隐藏风险，使风险评估复杂化。隐蔽/修饰霉菌毒素的存在带来了额外的分析挑战。结构修饰改变了极性、溶解性和抗原位点，削弱了抗体识别。基于ELISA的方法可能因不一致的交叉反应性而低估或高估污染，而色谱方法缺乏验证的参考标准，且对修饰型霉菌毒素的敏感性通常较低。此外，常规分析方法针对已知霉菌毒素进行了优化，其检测限（LOD）在应用于复杂饲料基质时也相对较低。修饰形式与母体化合物相比具有改变的结构和极性，导致常规溶剂从饲料中提取效果差，且缺乏准确定量的分析标准。这些局限性表明需要新兴技术，如基于生物传感器的传感系统和预测性建模工具，以改善实时检测和霉菌毒素爆发的早期风险预测。
8. 机器学习
机器学习已成为一种强大的数据驱动技术，能够解决与霉菌毒素检测相关的若干挑战。ML可以分析高维数据集，并识别常规分析方法常常无法检测到的霉菌毒素污染的微妙模式。将ML整合到霉菌毒素研究中，科学家可以提高检测准确性、增强模式识别，并为潜在霉菌毒素风险提供早期预警。现代分析方法越来越多地采用ML和深度学习（DL）算法，以提高霉菌毒素检测的精度、速度和可负担性。这些计算工具支持在整个食品和饲料供应链中改进决策。ML是一种先进科学工具，其中算法从复杂数据集中学习以识别模式并自主做出决策，而无需为每项任务进行严格编码。ML模型通常根据学习方式分为三类：监督学习、无监督学习和强化学习机制。在监督学习（SL）中，模型使用标记数据集进行训练，其中每个输入与已知输出配对。通过学习这些关系，模型可以预测训练集中未出现的新数据的缺失或未知输出。在无监督学习（UL）中，算法处理未标记数据集，并独立识别数据结构、聚类模式或关系。训练后，模型可根据所学模式对新输入进行分类或组织。在强化学习（RL）中，模型通过与环境的重复交互学习以达到预期目标。算法因其行为获得奖励或惩罚，并逐渐制定最大化累积奖励的策略。霉菌毒素研究中使用的ML模型整合了多种数据类型，包括饲料原料的多光谱或高光谱图像、环境数据以及基于传感器的输出，如电子鼻（E-nose）信号。这些工具能够改进谷物和成品饲料中霉菌毒素污染的检测、分类和预测。通过学习环境条件、真菌活性、化学性质和饲料特性之间的关系，ML系统为家禽生产系统中的早期风险预测和实时监测提供了有前景的机会。
8.1. 基于光谱和图像的数据
光谱成像是一种非侵入性分析方法，包括红外光谱、高光谱和多光谱成像。荧光高光谱传感器已显示出快速且经济高效检测玉米粒中AFL污染的前景。ML模型可利用光谱数据识别与真菌生长或毒素产生相关的化学变化，从而实现霉菌毒素风险的早期预测。高光谱成像已用于识别霉变谷物，并通过高光谱成像结合偏最小二乘回归模型分析碳和氮浓度来估计家禽饲料和垫料中的DON浓度。然而，基于光谱的ML方法的主要局限性之一是缺乏跨不同毒素浓度的自然污染样品。这限制了模型训练和验证，因为人工污染不能完全再现自然真菌感染的复杂性。此外，人工加标样品的 spectral 特性通常不同于自然污染谷物，导致模型性能不一致，这表明重建现实世界毒素水平全范围具有挑战性。
8.2. 基于传感器和物联网（IoT）的数据
传感器技术与物联网（IoT）平台的集成代表了霉菌毒素监测和预防的重大进步。在谷物生产、储存和运输过程中，网络化传感器可连续跟踪环境条件，并在值超过安全阈值时自动传输实时警报。这种连续监测能够及早识别有利于真菌生长和霉菌毒素形成的条件。在筒仓等储存设施中，智能传感器可监测微气候参数，包括温度、湿度、CO
2水平和水分活度，提供一种预防性方法来检测增加污染风险的变化。当检测到不良变化时，可及时实施纠正措施，如调整通风、改善干燥或隔离高风险批次，以减少毒素产生。然而，这些气候驱动的变化也影响机器学习预测模型的适应性，这些模型在不同气候区域应用时通常需要重新校准，因为真菌生态、储存条件和污染模式会发生变化。由于大多数ML模型基于区域特定数据集训练，除非重新训练或调整以适应环境变异性，否则其预测精度在不同气候区使用时可能下降。IoT支持的监测系统通过提供连续数据流、自动警报和快速决策支持来加强饲料安全管理。这些特性使基于传感器的技术对家禽生产环境中霉菌毒素危害的早期检测和预防特别有价值。
8.3. 用于霉菌毒素检测的机器学习方法
ML模型如神经网络、随机森林、梯度提升和支持向量机越来越多地应用于霉菌毒素检测和管理。以下简要概述关键算法及其优缺点。
8.3.1. 人工神经网络
人工神经网络（ANN）是受人脑结构和功能启发的ML算法。它们通过多层互连神经元处理信息，使模型能够学习复杂的非线性关系、识别模式并从多维数据集生成预测。输入变量进入输入层，通过一个或多个隐藏层（通常通过ReLU等激活函数进行加权计算和非线性变换），并在输出层产生最终预测。在训练期间，通过迭代调整神经元权重来最小化预测误差。过拟合通常通过正则化方法（如L2正则化）控制。单个神经元的输出可数学表示为输入的加权和通过非线性激活函数：y = f(Σ
i=1n w
ix
i + b)，其中x
i代表输入变量，w
i为对应权重，b为偏置项，n为输入数，f为非线性激活函数（如ReLU或sigmoid）。霉菌毒素污染的非线性和多因素性质可被ANN有效处理，特别适合预测建模。通过整合气候因素、谷物组成和储存环境等各种输入变量，ANN可可靠预测毒素污染。ANN已被用于预测不同温湿度条件下AFL的形成，估计谷类饲料中的DON积累，并预测饲料制造过程中的毒素转移。它们也被应用于收获时识别玉米中的AFL和FB污染。尽管许多基于ANN的研究报告了中等性能，例如在某些霉菌毒素检测任务中准确率为75%，表明需要进一步研究以阐明复杂的毒素相互作用。卷积神经网络（CNN）是专门设计用于图像处理和模式识别的ANN类型。与传统ANN不同，CNN包含卷积层、激活层、池化层和全连接层，可自动从多维图像数据中提取空间和层次特征，如边缘、纹理和形状。由于CNN使用局部特征学习和权重共享，它们实现了高精度和计算效率。CNN广泛用于高光谱成像以进行早期霉菌毒素检测。CNN用于识别与毒素产生相关的真菌感染或化学标志物，通常在霉菌可见之前。神经网络（NN）模型在霉菌毒素研究中面临若干局限。当数据集较小或失衡时，NN需要仔细校准以防止过拟合，并且必须经过严格训练和验证以确保可靠性能。标记数据集的有限可用性进一步限制了模型准确性并增加了过拟合风险。此外，训练大型NN需要大量计算资源，复杂性增加了总处理成本。为解决这些限制，NN常与更可解释的算法（如随机森林）结合，或与集成框架一起使用，以在有限数据条件下提高稳健性和预测精度。基于CNN的系统可有效识别真菌污染，但可能无法区分产毒真菌和非产毒真菌，降低了实际应用中的特异性。
8.3.2. 神经网络与电子鼻系统的集成
电子鼻（E-nose）系统由设计用于检测气体中挥发性化合物的传感器阵列组成。当与NN算法结合时，E-nose平台已成功应用于玉米中AFLs、DON和FBs的快速筛查，检测准确率约为77%。最近的研究还表明，将E-nose与NN和集成学习算法耦合可准确识别ZEA阳性的宠物食品样品。将生物传感器与ML模型集成可提高现场霉菌毒素检测能力。生物传感器捕获与真菌生长或毒素污染相关的化学、电学或光学信号，ML算法立即分析这些传感器输出以生成快速分类或风险警报。这种组合方法提供了快速、便携且经济高效的筛查解决方案，非常适合饲料厂、储存场所和田间环境。尽管E-nose技术在区分污染和非污染材料方面非常有效，但它们仍有局限性。敏感性通常低于常规实验室方法（如ELISA或LC-MS/MS），且当前E-nose系统尚不适合精确量化霉菌毒素浓度。因此，E-nose平台最适合作为更广泛霉菌毒素监测计划中的初步筛查工具。
8.3.3. 随机森林
随机森林（RF）是霉菌毒素研究中最广泛使用的分类和回归任务机器学习算法之一。RF模型由一组决策树组成，每棵树从数据集的随机
