《Food Bioscience》：Integrating Machine Learning with Emerging Detection Technologies for Food Adulteration: A Review of Current Advances and Future Perspectives
编辑推荐：
•机器学习使食品掺假检测从靶向方法转变为非靶向方法。•将新兴技术与机器学习相结合可以增强检测速度和准确性。•基于机器学习的掺假检测能够在复杂基质中实现检测。引言食品掺假是指在食品生产、加工或流通环节中实施的不当行为。制造商可能从事这些行为以降低成本、谋取非法利润或掩盖变质情况
- •
机器学习使食品掺假检测从靶向方法转变为非靶向方法。
- •
将新兴技术与机器学习相结合可以增强检测速度和准确性。
- •
基于机器学习的掺假检测能够在复杂基质中实现检测。
引言
食品掺假是指在食品生产、加工或流通环节中实施的不当行为。制造商可能从事这些行为以降低成本、谋取非法利润或掩盖变质情况（Das等，2025），采用不当手段如添加不可食用物质、滥用食品添加剂、以次充好（例如将低价的马肉冒充牛肉）（Ahamed等，2025），或对产品进行稀释（例如在牛奶中加水）（Rosa等，2025）。这些行为改变了食品的原始成分、性质或质量，使其不符合安全标准和品质要求（Alahmad等，2024）。食品掺假作为食品行业中的违法行为，存在多重危害。它不仅直接危害公众健康和安全，还扰乱了社会经济秩序（Momtaz、Bubli & Khan，2023）。
目前，食品掺假检测主要依赖实验室检测技术，如光谱分析、色谱分析、质谱分析和生物检测方法。这些方法具有高精度的优势，但存在成本高、检测周期长以及对专业人员依赖性强等缺点（He等，2021）。例如，传统的光谱技术如紫外和红外技术在应用于复杂食品基质时面临挑战，背景干扰会掩盖目标化合物的特征信号，导致分析困难和准确性降低（Antony & Mitra，2021）。在色谱分析之前，样品需要进行研磨和萃取等多步预处理。对单个样品进行检测耗时且依赖人工操作，使大规模筛查不可行（Lambropoulou & Albanis，2007）。同时，高效液相色谱（HPLC）和气相色谱-质谱联用（GC-MS）等传统仪器需要较高的购置和维护成本，还需要专业技术人员进行操作。这阻碍了这些方法的广泛采用，从而限制了食品掺假检测的范围（Vlasiou，2023）。通过酶联免疫吸附试验（ELISA）开发特异性抗体耗时且检测能力有限（Zhu等，2024）。聚合酶链式反应（PCR）易受污染，要求高环境清洁度，即使是微量污染也可能产生假阳性（F. Xiao等，2023）。此外，大多数传统检测方法对样品具有高度破坏性，也会带来经济损失。因此，传统食品掺假检测方法适用范围有限，无法满足大规模和即时检测的需求（Lin、Ma、Wang & Sun，2023）。
近年来，随着高光谱成像（HSI）（Pu、Feng & Sun，2015）、表面增强拉曼光谱（SERS）（Jiang等，2021）、传感器阵列（Y. Li等，2024）和成簇规则间隔短回文重复序列（CRISPR）（Mao等，2022）检测技术的快速发展，这些新兴检测技术也被应用于食品掺假检测。尽管与传统的检测方法相比，新兴检测技术在速度、灵敏度和通量方面表现出显著改善，为食品掺假检测提供了有效解决方案。然而，我们不能忽视这些技术自身仍存在局限性。例如，这些技术产生的高维复杂数据的解释和有意义信息的提取高度依赖于专业人员。同时，在面对复杂食品基质中多种掺假物的协同干扰时，其模型的泛化性和鲁棒性面临严峻挑战。此外，当前研究的关键瓶颈仍然是如何从庞大的特征集中筛选出与掺假最相关的关键指标并实现精确的定量分析（Girmatsion等，2025）。这些挑战限制了新兴检测技术在食品掺假检测领域的广泛应用。幸运的是，近年来机器学习（ML）技术的快速发展为解决这些问题提供了高度有效的工具。作为人工智能的重要组成部分，机器学习通过对大量食品检测数据集进行训练，提取关键属性并建立分类或回归模型，从而实现食品掺假的智能检测（Balakrishnan等，2025）。
本文通过深入整合新兴食品检测技术与机器学习算法，综述了食品掺假检测领域的最新研究进展与应用。文章详细阐述了机器学习算法的分类及其基本原理，探讨了机器学习算法如何与高光谱成像、SERS、传感器阵列和CRISPR等新兴检测技术高效集成，阐明了机器学习如何增强这些技术在处理复杂数据和识别未知掺假物方面的性能。通过总结各种真实食品基质中的应用实例，证明了机器学习与新兴检测方法相结合在提高检测效率方面的显著优势。研究还表明，机器学习能够充分发挥这些新兴检测技术的潜力，使其成为确保食品安全的关键解决方案。目前研究主要集中在已知掺假物的定性和定量检测上。然而，新兴检测技术可以生成全面的化学指纹图谱，这些图谱可与基于机器学习的识别模型相结合，为真正的非靶向筛查奠定了基础。此外，本文还对未来的研究方向进行了展望（图1）。
章节摘要
用于检测食品掺假的机器学习算法
机器学习是一种能够从数据中自动提取信息、识别关键特征并据此进行预测的系统（Y. Yang等，2024）。机器学习模型完全由数据驱动，不依赖于专家制定的规则，这是此类模型的显著优势。机器学习算法和模型是基于计算机分析的重要组成部分。当这些预测基于历史数据构建时，这些方法被归类为监督学习，
高光谱成像（HSI）
高光谱成像是一种融合了成像技术和光谱技术的前沿分析技术。在原理上，高光谱成像利用色散元件将入射光分解为数十至数百个连续的窄谱带，通常覆盖可见光至近红外光谱范围。面阵探测器随后记录每个谱带的强度信息。这一过程最终生成一个三维数据立方体，该立方体包含两个空间维度（X，Y）和一个光谱维度
在食品掺假检测的实际应用中
在具体食品掺假检测过程中，由于机器学习算法和新兴食品检测技术的多样性，需要通过性能指标来评估新兴检测技术与机器学习算法结合的模型。只有通过比较评估才能选择最合适的模型。模型性能指标可分为定性指标和定量指标。值得注意的是，无论是定性指标还是定量指标，
结论与展望
本文介绍了食品掺假检测中常用的机器学习算法，以及高光谱成像、SERS、传感器阵列和CRISPR等新兴食品检测技术。文章系统地探讨了这些新兴食品检测技术与机器学习算法集成的原理，以及该方法如何应用于食品掺假检测。总之，该方法不仅能够检测特定掺假物的浓度，还能生成化学
作者贡献声明
赵毅：撰写原稿、可视化、方法论、调查研究、概念构思。徐晓云：形式分析。徐恒义：撰写——审阅与编辑、资源、项目管理、概念构思
未引用参考文献
Li等，2025年；Li等，2025年；Li等，2023年；Li等，2026年；Liu等，2026年；Liu等，2026年；Shao等，2022年；Wang等，2025年；Wang等，2025年；Wang等，2025年；Xu等，2024年；Yang等，2024年；Yang等，2024年；Yao-Say Solomon Adade等，2022年。
利益冲突声明
作者声明，他们没有已知的竞争性经济利益或可能影响本文所报告工作的个人关系。
利益冲突声明
? 作者声明，他们没有已知的竞争性经济利益或可能影响本文所报告工作的个人关系。
致谢
感谢南昌大学食品科学与资源国家重点实验室研究项目（项目编号：SKLF-ZZB-202328）提供的资金支持。
赵毅|徐晓云|徐恒义
