手持近红外光谱结合多变量数据分析智能筛查无麸质面粉中致敏原面粉交叉污染

《Foods》：Handheld Near-Infrared Spectroscopy-Based Intelligent Screening of Allergen-Containing Flour Cross-Contamination in Gluten-Free Flour

　　

控制含致敏原成分的交叉污染对于确保产品完整性和安全性至关重要。无麸质面粉在生产加工过程中尤其容易受到常见含致敏原面粉（如小麦、花生、大豆和芝麻）的交叉污染。本研究旨在开发一种利用手持近红外光谱（handheld near-infrared spectroscopy, handheld NIR）结合多变量数据分析（multivariate data analysis）对无麸质面粉中含致敏原面粉交叉污染进行快速筛查和定量预测的策略。研究人员共制备了330个无麸质面粉样品，包括未污染对照组和含致敏原面粉交叉污染样品（1–25%，w/w）。使用手持近红外光谱仪采集光谱数据。采用主成分分析（principal component analysis, PCA）进行探索性数据分析和样品分布可视化。采用软独立建模分类法（soft independent modeling of class analogy, SIMCA）对交叉污染是否存在进行定性分类，随后采用偏最小二乘回归（partial least squares regression, PLSR）对单一含致敏原面粉添加水平进行定量预测。独立留出验证（independent hold-out validation）结果表明，在研究所用条件下，分类模型的准确率、灵敏度和特异性均达到100%。定量分析方面，PLSR模型的决定系数Rval > 0.96，且均方根预测误差（root mean square error of prediction, RMSEP）较低。总体而言，研究结果表明该方法在所考察条件下具有可靠的性能和有效的判别能力。该手持近红外方法可作为高含量致敏原面粉交叉污染的快速、无损筛查工具，适用于无麸质生产中的原料初步筛查、过程监测或潜在交叉接触事件后的快速筛查。

论文解读文章

一、研究背景与问题

食物过敏是全球重大公共卫生问题。据世界卫生组织数据，全球约22%–25%的人口患有过敏性疾病，其中食物诱导过敏约占77%，食物已被确认为引发过敏反应的首要触发因素。食物过敏患病率持续上升，已被认定为全球第六大慢性疾病。联合国粮农组织和世界卫生组织确定了八大主要致敏食物组，包括甲壳类、鱼类、蛋、奶、花生、树坚果、大豆和小麦，这些食物合计占报告食物过敏反应的90%以上。其中，花生、大豆和小麦因消费广泛且致敏性强而尤为突出，芝麻也已在多个国家被列为第九大主要致敏原。目前食物过敏尚无根治方法，严格避免致敏原暴露仍是最有效的预防策略。

无麸质食品最初是为满足小麦过敏和乳糜泻患者的饮食需求而开发，通常使用天然无麸质原料生产。其中，米粉因其良好的感官特性、营养价值和广泛可获得性而成为最常用的原料之一。受健康意识提升和食物过敏患病率上升的推动，全球无麸质产品消费量以每年约24%的速度增长。然而，无麸质面粉在生产、加工、运输和储存过程中极易发生交叉污染。小麦是麸质污染的主要来源，而花生、大豆和芝麻等其它致敏原也可能通过共用设备、原料混合和工业加工环境引入。这些污染物往往不可见且难以通过目视检测，但对敏感人群可能构成严重风险。

目前致敏原检测方法主要包括免疫测定法（如ELISA、侧向流动免疫测定）、色谱技术（LC–MS/MS）和聚合酶链反应等分子生物学方法。虽然这些实验室方法灵敏度和准确性高，但通常耗时、昂贵、需要熟练操作人员，且不适合高含量交叉污染的快速现场筛查。此外，致敏蛋白的复杂性和多样性以及基质干扰使单一实验室方法难以实现全面检测。因此，亟需快速、准确、无损的分析技术用于致敏原成分交叉污染的初步监测。

近红外光谱因其分析快速、无损、样品制备要求低以及可综合评估复杂食品属性的潜力，成为交叉污染筛查的有力分析工具。近年来，近红外光谱结合多变量数据分析已被越来越多地探索用于食品基质中的致敏原相关筛查。然而，现有研究大多聚焦于检测特定单一致敏原或进行污染与未污染样品的简化二元分类，未能充分满足区分食品加工交叉接触事件中不同致敏原成分的实际需求。此外，大多数研究报告依赖台式光谱仪器，限制了快速现场筛查的应用潜力。因此，开发能够区分不同致敏原成分交叉污染来源并估算面粉中相应污染水平的便携式传感策略，对于快速初步筛查和交叉污染管理具有重要价值。

二、研究目的与意义

本研究旨在利用手持近红外光谱结合多变量数据分析，开发一种快速（10秒）且可在现场实施的集成识别与定量方法，用于检测无麸质面粉中致敏原面粉交叉污染（1%至25%，w/w）。研究分别评估了小麦、花生、大豆和芝麻四种致敏原面粉在米粉基质中的单一污染场景，并实现实时检测和定量。该研究为复杂食品基质中相对高含量交叉污染的快速初步筛查提供了分析框架，具有原料质量控制和交叉污染管理的潜在应用价值。

三、主要技术方法

研究人员选用大米、小麦、花生、大豆和芝麻作为实验材料，米粉作为无麸质基质。所有原料购自中国南京当地食品杂货店，供应商包括江苏盱眙泰良米业有限公司（大米）、五得利面粉集团有限公司（小麦粉）、莒南正强花生食品有限公司（花生）、费县林家五谷杂粮社有限公司（白芝麻）和穆棱北纯农业科技有限公司（大豆）。米粉由抛光大米经高速研磨机（16,000 rpm，5分钟）新鲜制备。

共制备330个无麸质面粉样品，包括未污染对照组和含致敏原面粉交叉污染样品（1–25%，w/w，1%间隔）。每个污染水平制备2个独立样品，另在8个选定污染水平（3%、6%、9%、12%、15%、18%、21%和24%）各额外制备2个样品，每个致敏原类别共66个独立样品，对照组66个样品。采用分层随机抽样按类别和污染水平将数据集划分为校准集（80%，n=264）和独立留出验证集（20%，n=66）。

光谱数据使用便携式傅里叶变换近红外光谱仪（Neospectra-Scanner，Si-Ware Systems，埃及开罗）采集，波长范围1350–2500 nm，分辨率16 nm，采集时间10秒。每个独立样品采集3次重复光谱并平均。多变量数据分析使用Pirouette软件（5.0版，Infometrix公司）完成。主成分分析用于探索性数据分析和样品分布可视化；软独立建模分类法用于交叉污染状态的定性分类，基于马氏距离进行异常值诊断；偏最小二乘回归用于建立光谱响应与致敏原面粉添加水平（% w/w）之间的定量模型。光谱预处理包括均值中心化、归一化、平滑和Savitzky–Golay二阶导数变换，最终预处理策略根据分类和预测性能选择。

四、研究结果

4.1 无麸质米粉与致敏原面粉交叉污染样品的光谱特征

原始近红外光谱在1350–2500 nm区域呈现大致相似的光谱轮廓，反映了米粉和致敏原粉末中共有的化学成分。光谱包含与碳水化合物、蛋白质、脂质和水分相关的多个宽泛且重叠的吸收特征。约1450和1940 nm处的宽吸收特征分别与O–H伸缩振动的一级倍频和组合振动相关，主要受水分含量和含羟基碳水化合物影响。1700–1800 nm区域与C–H伸缩振动一级倍频相关，可能来源于脂质等有机化合物。2050–2250 nm区域包含涉及N–H、C=O和C–N振动的重叠组合带，与蛋白质相关成分（包括酰胺基团）有关。2250–2400 nm区域与多种大分子成分的C–H伸缩和变形振动组合相关。

经顺序预处理后，不同致敏原污染组间的细微光谱差异更加明显。花生污染样品在C–H相关区域（约1700–1800和2250–2400 nm）表现出较强光谱特征，可能归因于花生粉较高的脂质含量。小麦污染样品在这些区域响应相对较弱，反映其脂质含量较低。大豆和芝麻污染样品在蛋白质相关区域（约2050–2250 nm）表现出更明显的变异，主要对应N–H、C=O和C–N键的组合振动。约1450和1940 nm处的O–H倍频和组合带变异在小麦和芝麻污染样品中尤为明显，可能反映水分保持和含羟基成分的差异。

4.2 多变量模式识别分类

主成分分析的三维得分图显示，无麸质米粉以及小麦、花生、大豆和芝麻污染样品在主成分空间中形成明确且紧凑的簇。前三个主成分（PC1–PC3）占总光谱方差的98.2%。米粉与污染样品明显分离且重叠极小，表明存在强烈的固有光谱可区分性。小麦污染样品与米粉分布最为接近，花生和芝麻污染样品与米粉分离更为明显，大豆污染样品呈中间分布模式。

软独立建模分类法训练模型中，每个类别使用6–8个主成分，各类别内方差解释超过99.6%。所有五个类别在三维投影图中良好分离，训练模型无错误分类。类别间距离矩阵显示，无麸质米粉与交叉污染样品之间的所有成对类别间距离均超过阈值3（4.7–17.2），表明显著的光谱差异和强类别判别能力。花生和芝麻之间的类别间距离相对较低（1.6），可能因脂质和蛋白质相关吸收特征相似，但未观察到错误分类。判别能力图显示，与类别分离最相关的波段位于约1723 nm（C–H伸缩振动一级倍频，脂质丰富样品中突出）和1657 nm（蛋白质主链和侧链的C–H伸缩振动）。

独立留出验证集（n=65，每类13个样品）中，所有验证样品均被准确预测到实际类别，预测准确率达100%。灵敏度（真阳性n=65，假阴性n=0）和特异性（假阳性n=0，真阴性=65）均达100%。

4.3 偏最小二乘回归定量预测

大豆PLSR模型使用4个潜变量，解释总光谱方差的97.88%。校准性能优异（R_cal = 0.99），RMSEC为0.95，RMSECV为1.01。独立留出验证显示R_val = 0.99，RMSEP为1.22。关键光谱特征位于1723和2331 nm，归因于N–H/C–H组合振动和蛋白质骨架倍频，主要来源于大豆球蛋白结构。

花生PLSR模型使用4个潜变量，解释总光谱方差的99.39%。校准性能优异（R_cal = 0.99），独立预测性能R_val = 0.97，RMSEP为1.62。预测性能略低于校准集，可能归因于花生颗粒粒径分布不均、面粉基质内混合不均匀以及花生粉固有的脂质相关散射效应。关键光谱区域主要与脂质和蛋白质相关振动模式有关，1707 nm归因于脂质中C–H伸缩组合振动，2198 nm归因于蛋白质中N–H伸缩和弯曲组合振动。

小麦PLSR模型使用7个潜变量，解释总光谱方差的99.61%。较多潜变量反映小麦粉与无麸质面粉基质间光谱相似性较高，需更多因子解析细微成分差异。校准性能R_cal = 0.98，RMSEC为1.54，RMSECV为1.96。独立验证R_val = 0.96，RMSEP为2.22。关键波长区域位于2400和2045 nm，主要与肽键的N–H和C–N组合振动以及C–H伸缩和变形组合模式相关，为麸质蛋白结构的特征。

芝麻PLSR模型使用4个潜变量，解释总光谱方差的96.29%。校准和交叉验证系数分别为0.99和0.98，RMSEC为1.05，RMSECV为1.15。独立验证R_val = 0.98，RMSEP为1.37。关键光谱特征位于2324、2205、2098和1703 nm，归因于酰胺相关振动和脂质相关C–H组合带，反映芝麻的蛋白质–脂质耦合结构特征。

四个PLSR模型均实现高校准性能（R_cal > 0.98），独立留出预测精度保持在0.96以上，表明光谱特征与致敏原面粉交叉污染水平之间存在稳定可靠的定量关系。

五、讨论与结论

研究人员指出，与以往报道的致敏原成分交叉污染筛查研究相比，本研究在1–25%的较窄污染范围内，手持近红外模型在无麸质面粉中对四种单一成分污染场景（小麦、大豆、花生和芝麻）展现了可靠的多类判别和污染水平估算能力。然而，原材料来源和成分变异性有限是本研究的重要局限性，单一供应商和单一批次材料可能无法充分反映商业产品和生产环境中遇到的成分异质性。因此，需要收集来自不同来源和生产环境的样品进行进一步验证。

该手持近红外方法适合作为相对高含量致敏原交叉污染（1–25%，w/w）的快速、无损筛查工具，适用于无麸质生产中的原料初步筛查、过程监测或潜在交叉接触事件后的快速筛查。需要法规级别确认或低含量致敏原特异性定量的样品仍需采用经验证的致敏原特异性分析方法。未来研究将扩展实验范围至更低的添加水平和相关法规阈值，并结合致敏原特异性参考测量方法（如ELISA或LC-MS/MS）建立添加水平与实际致敏蛋白/成分浓度之间的关系。

研究结论表明，在所考察的实验室条件下，该方法在评估数据集中实现了高分类性能（准确率=100%）和准确的定量预测（R_val > 0.96）。该方法可实现约10秒的快速、无损、便携式致敏原面粉交叉污染筛查，在无麸质面粉相对高含量交叉污染（1%至25%，w/w）的初步筛查和过程监测方面具有实用工具价值。但当前发现基于原材料来源和成分变异性相对有限的实验室数据集，模型泛化能力需进一步验证。此外，法规级别检测和致敏原特异性定量需在更低添加水平下，使用来自多个供应商和生产批次的更多样化样品以及更广泛的生产环境，结合ELISA或LC-MS/MS等已建立的致敏原特异性参考方法进行评估。