引言
由于营养价值高且在全球范围内广泛消费，水产动物是动物蛋白的重要来源（Boyd, McNevin, & Davis, 2022）。目前，鱼类品种鉴定主要依赖基于DNA的技术，如聚合酶链式反应（PCR）和DNA条形码技术，这些技术对原材料具有较高的特异性（Reichl, et al., 2024）。加工鱼类制品通过增强产品的稳定性、安全性和市场可及性，在水产品供应链中发挥着至关重要的作用。Silva等人（Silva, Kawalek, Williams-Hill, & Hellberg, 2020）制备了15种已知比例的鱼丸混合物，包括罗非鱼（Oreochromis niloticus）、太平洋鳕鱼（Gadus macrocephalus）和狭鳕（Gadus chalcogrammus），并通过PCR克隆结合DNA条形码技术进行鱼类品种鉴定。PCR克隆提高了混合品种鱼丸中某些物种的检测效果，在标准DNA条形码技术因物种偏差而失败的情况下，但仍无法识别所有存在的物种。仍需进一步研究以提高复杂混合食品产品中的物种鉴定能力。
分析技术与机器学习（ML）的集成已被越来越多的探索用于提高食品鉴定中的检测灵敏度。Punta-Sánchez等人（2024）应用超快气相色谱（UF-GC）结合机器学习技术检测蜂蜜掺假，在低至约5%（w/w）的掺假水平下实现了可靠的分类（Punta-Sanchez, et al., 2024）。Calle等人（2022）报道，基于傅里叶变换红外光谱数据的机器学习模型能够灵敏地检测果汁掺假，检测限（LOD）根据掺假物的类型不同，可达约1–5%（Calle, Ferreiro-González, Ruiz-Rodríguez, Fernández, & Palma, 2022）。
基于质谱（MS）的蛋白质分析已成为食品鉴定的一种有前途的替代方法，因为蛋白质和多肽在加工条件下具有更高的稳定性（Duft, Griffin, & Stead, 2025; Yang, Zheng, Yang, Wang, & Soyeurt, 2018; Pavlidis, Mallouchos, Ercolini, Panagou, & Nychas, 2019）。基质辅助激光解吸/电离飞行时间质谱（MALDI-TOF MS）能够快速获得可重复的质谱，样品制备量极少，非常适合高通量分析（Pu, et al., 2023）。Rysova等人（2022）（Rysova, et al., 2022）应用MALDI-TOF MS检测广泛浓度范围内的牛奶掺假。然而，可靠的分类主要在中等至高掺假水平下实现。低水平掺假的鉴别仍然具有挑战性，因为微妙的质谱差异往往被基质复杂性和信号重叠所掩盖。需要计算工具来解码这些复杂的蛋白质组学指纹图谱（Weis, Jutzeler, & Borgwardt, 2020）。机器学习（ML）已被用于优化MALDI-TOF质谱的分析（Weis, et al., 2020）。ML有助于提取模式，即复杂光谱中被遮蔽的信号。然而，据我们所知，目前尚无研究报告将MALDI-TOF MS与机器学习集成用于加工水产品中的掺假检测。
鱼糜制品是加工水产品中的重要类别，因其营养特性和广泛消费而受到重视。由于其商业价值高以及加工和供应链的复杂性，鳕鱼鱼糜产品易受品种替代和掺假的影响，通常涉及用低成本鱼类（如罗非鱼）替代高价值的鳕鱼（Lee, Lee, & Kim, 2021）。此类行为不仅会导致经济欺诈，还可能带来潜在的食品安全风险，包括意外的过敏反应或物种错标，从而损害消费者信任和市场的完整性（Ahles, DeWitt, & Hellberg, 2025）。开发快速、可靠且灵敏的方法用于鱼糜制品中的物种鉴定，对于水产品质量控制和真实性评估具有重要意义。
本研究提出了一种机器学习（ML）耦合MALDI-TOF MS的策略，用于检测鳕鱼鱼糜产品中的掺假行为。该方法旨在实现对加工水产品基质中低水平掺假的灵敏且可解释的检测。研究中考虑了采样策略、掺假水平和数据集规模。以大西洋鳕鱼（Gadus morhua）作为制备鱼糜基质的水产品模型，罗非鱼（Oreochromis niloticus）作为掺假物来源，阿拉斯加狭鳕（Gadus chalcogrammus）作为对照鱼类物种。使用已知比例的罗非鱼肉组织故意掺假鳕鱼鱼糜，建立了低至1%（w/w）水平的掺假模型。
基于鱼糜样品获得的质谱特征构建了多种机器学习模型，随后进行了性能评估和使用单盲样品的外部验证。该方法作为水产品质量控制工具展现出巨大潜力，并为检测掺假和验证真实性提供了一种可靠的手段。
