基于表面增强拉曼光谱联用优化机器学习模型快速检测精炼棉籽油中痕量邻苯二甲酸二丁酯

《Food Research International》：Rapid detection of trace dibutyl phthalate in refined cottonseed oil using surface-enhanced Raman spectroscopy coupled with optimized machine learning models

　　

• •
  AuSi 纳米锥阵列实现了精炼棉籽油中 DBP 的 SERS 筛查。
• •
  所有 180 个 SERS 光谱均与样品专属的 UHPLC-MS/MS 值配对。
• •
  RFECV-RRM 实现了 R² = 0.918 ± 0.013 和 RMSE = 19.640 ± 2.432 ng g^?1。
• •
  LOGO 和 10 折 GSS 评估了跨精炼阶段组的稳定性。
• •
  RFECV 保留了可化学解释的与 DBP 相关的拉曼区域。

引言

邻苯二甲酸酯类（PAEs）被广泛用作增塑剂，但它们不与聚合物基质形成共价键，可在生产、运输和储存过程中迁移至食品中（da Costa et al., 2023; Stevens et al., 2024）。这种迁移性对食用油尤为重要。它们的非极性特征使其倾向于分配到脂质相中，而食用油与软管、密封件、储罐和包装物的反复接触则为污染提供了多种机会（Fang et al., 2017）。邻苯二甲酸二丁酯（DBP）是植物油和油籽中最常报道的 PAE 之一（Pereira et al., 2019; Shi et al., 2016; Wei et al., 2025）。实验和流行病学证据还将低分子量邻苯二甲酸酯的暴露与生殖、发育和代谢效应联系起来，尽管风险的大小取决于剂量和暴露环境（Eales et al., 2022）。中国风险管控指导意见规定 DBP 在油脂类食品中的最大残留量为 0.3 mg kg^?1，并强调控制加工和包装材料中增塑剂的迁移（国家市场监督管理总局, 2019）。因此，一种能在精炼过程中追踪 DBP 的方法将同时支持工艺诊断和最终产品筛查。更广泛的食品监测证据同样将加工设备和包装物确定为重要的邻苯二甲酸酯来源，并强调基质特异性分析控制（Cao, 2010; Fierens et al., 2012）。

食用油中传统 PAE 测定通常采用溶剂萃取后，必要时进一步净化，然后用 GC-MS/MS 或 LC-MS/MS 进行分析。这些方法仍然是不可或缺的，因为它们提供了色谱分辨率、化合物特异性离子跃迁和计量学上可辩护的定量能力。然而，它们并不适合频繁的在线测量。油类萃取液成分复杂，样品制备费力，且在常规生产环境中仪器获取可能受限（Arena et al., 2022; Liu et al., 2013; Rodríguez-Ramos et al., 2024; Wang et al., 2022）。在 LC-MS/MS 中，油基质成分可能改变电喷雾响应，因此在声称方法已完全验证时，必须明确报告校准范围、回收率、精密度和基质效应（Kruve et al., 2015a; Kruve et al., 2015b; Matuszewski et al., 2003; Thompson et al., 2002）。

表面增强拉曼光谱（SERS）在此场景中颇具吸引力，因为它将分子振动指纹与等离激元纳米结构处的强信号放大结合在一起。纳米热点处的电磁增强通常占主导地位，而吸附物-表面相互作用可提供额外的化学贡献（Ma et al., 2024; Pérez-Jiménez et al., 2020）。在相对简单的萃取后，测量可快速完成，SERS 已显示出在食用油增塑剂分析中的潜力（Wang et al., 2023; Wu et al., 2024）。有序三维结构可提高热点覆盖率和空间一致性（Phan-Quang et al., 2019）。此处使用的 Au 包覆 Si 纳米锥阵列（AuSi NCAs）改编自一种报道可提供强拉曼增强的物理制造平台（Xu et al., 2021）。光谱问题比在纯标准品中检测 DBP 更具挑战性。棉籽油含有甘油三酯、微量脂质、色素和氧化产物，其谱带与分析物响应重叠。精炼随后改变了该背景。脱胶去除富含磷脂的物质，脱酸改变游离脂肪酸和界面成分，脱色去除色素和其他可吸附化合物，脱臭和冬化进一步改变挥发性和高熔点组分。因此，DBP 浓度和基质成分同步演变。校准模型可能看似准确，因为它识别的是精炼阶段而非 DBP 特异性信息。这种可能性无法通过随机划分来解决，因为同一生产历史的密切相关样品会被分配至训练集和测试集。因此，化学计量设计是分析主张的核心。拉曼光谱包含数百或数千个高度相关的变量，而独立油样品的数量有限。全谱潜在变量建模可以压缩该协方差，简单线性回归可提供透明参考，而正则化可以在预测变量共线时稳定系数。变量选择提供了另一条途径，但前提是在每个训练分区内执行。在整个数据集上一次性选择波数将允许留出样品的信息影响模型，从而导致乐观偏差的性能估计（Dong et al., 2024; Ezenwanne et al., 2026; Wang et al., 2021; Wu et al., 2023）。这些设计原则与基础和当代 SERS 综述一致（Cialla-May et al., 2017; Langer et al., 2020）。

评估了四条预设线性流程用于 DBP 定量：全谱偏最小二乘回归（PLSR）作为潜在变量基线，训练折单变量预选后的多元线性回归（MLR），使用相同选定变量并进行 L2 正则化的岭回归（RRM），以及结合交叉验证递归特征消除与岭回归的 RFECV-RRM。使用互补的分组验证方案评估模型泛化能力。基于阶段的留一法分组（LOGO）依次留出每个精炼阶段的全部 30 个样品，以测试向未知基质和浓度分布的迁移；而基于生产批次的分组随机划分（GSS）留出完整批次以评估六阶段工艺中向新批次的迁移。标准化和特征选择仅限于每个外层训练分区。由此产生的 AuSi NCAs SERS 工作流程使用来自六个精炼阶段的 30 个匹配生产批次的 180 个棉籽油样品进行评估，每个光谱与样品专属的 UHPLC–MS/MS 参考浓度配对。联合考察预测性能、基底表征、短期重复性和基质加标回收率，以确定 RFECV-RRM 在阶段迁移和批次迁移条件下是否保持其优势。

章节摘要

试剂和化学药品

使用邻苯二甲酸二(2-乙基己基)酯（DEHP）、邻苯二甲酸二丁酯（DBP）、邻苯二甲酸二(4-甲基戊-2-基)苯-1,2-二甲酸酯（BMPP）、邻苯二甲酸二丙酯（DPRP）、邻苯二甲酸二甲酯（DMP）、邻苯二甲酸二(2-甲氧乙基)酯（DMEP）和邻苯二甲酸二己酯（DHXP）标准参考物质，以及色谱级甲醇、乙腈、甲酸和乙酸。无水乙醇（99%，分析纯）、聚苯乙烯（PS）悬浮液（5 wt%）、SF?、Si（100）晶圆和去离子水

AuSi NCAs 基底的制备和表征

该基底通过一系列物理控制步骤制备而成。首先，密堆积的 PS 胶体单层覆盖 Si 晶圆并定义了横向掩模图案（图 1(A)）。SF? 等离子体刻蚀将该图案转移到下方晶圆中，在部分侵蚀的球体下方留下锥形 Si 特征（图 1(B)）。煅烧去除残余 PS 并暴露纳米锥阵列（图 1(C)）；随后 Au 溅射包覆三维表面以创建

结论

开发了一种 Au 包覆 Si 纳米锥阵列 SERS 工作流程，用于 180 个代表 30 个生产批次和六个精炼阶段的棉籽油样品中 DBP 的定量。全谱 PLSR 提供了潜在变量基线；MLR 和 RRM 在相同的训练折筛选后评估了无罚项和岭正则化估计，RFECV-RRM 添加了嵌套多元消除。表 1 确认 RFECV-RRM 是两种验证设计下表现最佳的流程。其基于阶段的

CRediT 作者贡献声明

Lingdong Zhao：撰写——初稿、验证、方法学、调查研究、正式分析、数据整理。Huan Chen：验证、方法学。Jianing Liu：验证、方法学。Yilai Wan：调查研究、数据整理。Yu'’e Ma：方法学、正式分析。Huixin Luo：调查研究、数据整理。Jingtao Sun：资源、方法学。Qing Wang：监督、资源、方法学。Lin Ran：监督、资源、方法学。Xiaohong Li：监督、资源。Xiaochun Zheng：

资金支持

本研究得到了第三师图木舒克市科技局（编号：KY2024JBGS10）和新疆生产建设兵团科技计划（编号：S2025AB3512）的资助。

利益冲突声明

作者声明不存在可能影响本文所报道工作的已知竞争性经济利益或个人关系。

致谢

作者感谢青海油籽科技有限公司提供棉籽油样品和工业精炼工艺的技术信息。

Lingdong Zhao|Huan Chen|Jianing Liu|Yilai Wan|Yu'’e Ma|Huixin Luo|Jingtao Sun|Qing Wang|Lin Ran|Xiaohong Li|Xiaochun Zheng|Bujun Zhao|Yi Zhao|Changqing Wei