机器学习结合顶空气相色谱-离子迁移谱（HS-GC-IMS）和顶空固相微萃取-气相色谱-质谱（HS-SPME-GC-MS）挥发性指纹图谱，快速鉴别受污染鸡肉中的单增李斯特菌（Listeria monocytogenes）与阪崎肠杆菌（Cronobacter sakazakii）

《Food Research International》：Machine learning combined with HS-GC-IMS and HS-SPME-GC–MS volatile fingerprinting for rapid discrimination of Listeria monocytogenes and Cronobacter sakazakii in contaminated chicken meat

　　

• •
  整合HS-GC-IMS和HS-SPME-GC-MS技术对鸡肉污染进行VOCs轮廓分析。
• •
  机器学习提取了用于病原菌分类的判别性VOCs特征。
• •
  VOCs指纹实现了单核细胞增生李斯特氏菌和克罗诺杆菌萨卡扎基氏菌的区分。
• •
  早期VOCs响应揭示了用于污染评估的潜在指标。
• •
  结合VOCs分析和人工智能提供了快速的病原菌筛查策略。

引言

食品安全与公共健康、食品行业的可持续发展和社会稳定密切相关，食品中的致病菌污染仍然是食源性疾病的重要贡献因素。禽类是全球常见的动物蛋白来源，由于其高含水量和丰富的营养特性，在屠宰、加工、运输和储存各个阶段都容易受到微生物污染。近期关于禽类致病菌污染的研究主要集中在常见的食源性病原菌上，包括大肠杆菌、沙门氏菌属和金黄色葡萄球菌（Gu等人，2023年）。然而，单核细胞增生李斯特氏菌和克罗诺杆菌萨卡扎基氏菌在非婴儿配方食品（如鸡肉）中的污染风险及快速识别尚未得到充分研究。因此，分析这两种病原菌在禽肉中引起的特异性变化对于理解肉类产品中非常规病原菌危害和制定多病原菌污染的快速鉴定方法至关重要。本实验选择约20°C以模拟传统农贸市场的非冷藏展示或短期储存条件。（见图1、图2、图3、图4、图5、图6、图7、图8。）（见表1、表2。）

当食品受到微生物污染时，会释放多种微生物挥发性有机化合物（mVOCs），包括醇类、醛类、酮类、酯类和烷烃类，这些化合物可能作为食源性病原菌污染早期识别的潜在指标（Nie等人，2023年）。虽然电子鼻、比色传感器阵列和选定离子流管质谱已被用于挥发性物质检测和污染预警，但它们在化合物鉴定、环境和基质干扰抵抗、结构异构体区分、定量稳健性和标志物确认方面的局限性限制了其在复杂食品基质中的应用。因此，单一平台通常不足以实现快速初筛、波动性指纹分析和标志物水平识别。顶空气相色谱-离子迁移谱（HS-GC-IMS）能够实现快速、易制备且可视化的指纹分析，适用于监测鸡肉污染过程中VOCs的初始变化；而顶空固相微萃取-气相色谱-质谱联用（HS-SPME-GC-MS）则提供更优异的色谱分离和化合物鉴定能力，用于区分显著差异挥发性物质并追溯其潜在来源（Wang等人，2024年）。本研究使用HS-GC-IMS和HS-SPME-GC-MS检测了单核细胞增生李斯特氏菌和克罗诺杆菌萨卡扎基氏菌感染鸡肉后早期挥发性有机化合物的动态变化，并鉴定了有助于病原菌区分的特征挥发性物质。

基于VOCs快速识别的核心在于对特征挥发性化学物质的检测、鉴定和评估。主成分分析（PCA）和正交投影潜变量判别分析（OPLS-DA）被广泛应用于挥发性组学分析中，用于评估样本聚类和组间差异，但它们主要关注模式层面。PCA倾向于优先显示显著变化而非细微的诊断指标，而OPLS-DA在生物重复数较少的高维数据集上使用时可能出现过拟合或标签诱导的偏差（Xu & Goodacre，2025年）。因此，仅凭得分图的分离不足以确定哪些VOCs对病原菌相关差异负责。因此引入了机器学习以通过标志物筛选和验证来增强分析的严谨性和清晰度。此外还采用了递归特征消除以去除低贡献变量并保留具有稳定判别价值的候选挥发性物质。随后分别使用逻辑回归和随机森林来评估特征挥发性物质的线性判别影响和非线性分类效果。模型可靠性通过留一法交叉验证、受试者工作特征曲线和混淆矩阵进行评估（Labory等人，2023年）。多维指纹分析与基于机器学习的特征选择相结合，旨在提高对禽肉中单核细胞增生李斯特氏菌和克罗诺杆菌萨卡扎基氏菌早期污染检测的精确性、一致性和可解释性。

章节摘要

菌株与化学品

单核细胞增生李斯特氏菌ATCC 19115和克罗诺杆菌萨卡扎基氏菌ATCC 29544保存于实验室菌种库，储存温度为-80°C。LB琼脂和LB肉汤购自北京博拓科技有限公司。新鲜屠宰的鸡肉直接从中国西安当地市场采购。2-辛醇（98%）由 Sigma-Aldrich 有限公司（中国上海）提供。超纯水使用Milli-Q净化装置（Millipore，美国马萨诸塞州沃尔瑟姆）制备。

鸡肉样品制备

鸡肉样品

结果与讨论

采用HS-GC-IMS和HS-SPME-GC-MS，结合多元统计分析和机器学习技术，对单核细胞增生李斯特氏菌和克罗诺杆菌萨卡扎基氏菌感染的鸡肉在0-48小时内不同接种浓度下释放的VOCs进行了表征。尽管两组病原菌感染组在VOCs类别的总体比例方面表现相似，但某些化学类别的相对贡献存在明显差异。值得注意的是，由

结论

本研究将HS-GC-IMS和HS-SPME-GC-MS与多元统计分析和机器学习方法相结合，表征了接种单核细胞增生李斯特氏菌和克罗诺杆菌萨卡扎基氏菌鸡肉样品中的VOCs变化。所提出的框架通过利用RFE、逻辑回归、随机森林和留一法交叉验证整合了多维挥发性数据，提高了病原菌接种样品的判别能力以及参与分类的VOCs特征识别。结果表明，机器

CRediT作者贡献声明

郭雅静：写作——初稿撰写、调查研究。王磊杰：软件、数据整理。周丽娜：形式分析。穆晓雨：方法论。张家怡：数据整理。曹伟：写作——审阅与编辑。王银：写作——审阅与编辑、监督、资金获取、概念化设计。

利益冲突声明

作者声明不存在已知的竞争性财务利益或个人关系，这些关系可能影响到本论文中报告的工作。

致谢

本研究由西安市科技计划项目（编号：2024JH-NYYB-0089）和国家自然科学基金（编号：32101909）资助。

郭雅静|王磊杰|周丽娜|穆晓雨|张家怡|曹伟|王银