利用数据融合和可解释分析技术，快速同时检测玉米中的曲霉菌和黄曲霉素B1含量

《Food Control》：Rapid and simultaneous detection of Aspergillus and aflatoxin B 1 content in maize using data fusion and explainable analysis

玉米黄曲霉毒素B1与真菌污染同步检测技术及机制研究。

　　

姜文辉|张毅|杨长新|刘伟|刘长龙|郑磊

教育部生物过程工程研究中心，合肥工业大学食品与生物工程学院，中国合肥230009

摘要

玉米极易受到黄曲霉的感染，这可能导致储存过程中产生黄曲霉素B₁（AFB₁），对食品安全和人类健康构成严重威胁。本研究通过结合近红外光谱（NIRS）和电子鼻（E-nose）技术，开发了一种同时检测方法。构建了随机森林（RF）、支持向量回归（SVR）和前馈神经网络（FNN）模型，并应用了数据融合和特征选择策略。结果表明，基于中等层次融合的连续投影算法（SPA）-FNN模型的性能显著优于单一模态模型，其真菌菌落计数和AFB₁含量的检测准确率分别为0.9595和0.9867，相对标准误差（RMSEP）分别为0.2408 log CFU/g和24.7404 μg/kg，相对判别能力（RPD）分别为4.9671和8.6701。更重要的是，Shapley Additive exPlanations（SHAP）分析的引入使深度学习模型从一个“黑箱”变成了一个可解释的系统，揭示了预测结果是由特定的生化机制驱动的，特别是底物降解和氧化应激诱导的挥发性物质，从而验证了检测逻辑的科学依据。本研究为玉米质量监测提供了一个快速、准确且具有机制可解释性的框架，为未来便携式、现场检测设备的发展奠定了坚实基础。

引言

玉米（Zea mays L.）是全球三大主要粮食作物之一，是超过30亿人的主要能源来源，也是动物饲料、生物能源和工业应用的重要原料。然而，在整个种植和收获后的储存过程中，长时间处于温暖潮湿的环境中，使得玉米极易受到黄曲霉（A. flavus）的感染。这种真菌的繁殖会导致次级代谢产物的积累，尤其是黄曲霉素，对人类和动物的健康构成严重威胁（Li等人，2023年）。其中，黄曲霉素B₁（AFB₁）是受污染玉米中最有毒和最常见的霉菌毒素。国际癌症研究机构（IARC）将其归类为I类致癌物，已证明AFB₁可诱发肝细胞癌并具有强烈的遗传毒性（Hove等人，2016年）。鉴于其高毒性和广泛存在性，准确量化玉米中的AFB₁并及时采取干预措施对于确保食品安全至关重要。

目前，定量检测依赖于传统的实验室方法。虽然酶联免疫吸附测定（ELISA）、高效液相色谱（HPLC）和液相色谱-质谱（LC-MS）等技术具有高准确性和可靠性（Han等人，2018年；Oplatowska-Stachowiak等人，2016年；Zhao等人，2018年），但这些方法受到破坏性操作、繁琐的样品预处理、高成本和长周转时间的限制。此外，这些方法需要专业技术人员，不适合在粮食储存设施或实际生产环境中进行快速、现场监测（Shen等人，2018b年）。因此，开发快速、经济且环保的检测技术已成为食品安全领域的研究重点。

近年来，已经开发出多种先进的快速检测方法用于确定真菌污染和霉菌毒素。近红外光谱（NIRS）因其能够捕捉有机分子中含氢基团（如C–H、O–H、N–H）的振动信息而被广泛采用，可以实现与真菌感染相关的内部水分、蛋白质和脂质变化的实时监测（Senthilkumar等人，2016年；Williams等人，2012年）。除了NIRS，高光谱成像（HSI）作为一种强大的工具，将光谱技术与空间成像相结合，能够可视化玉米籽粒中的霉菌毒素分布，在分析异质样品时具有显著优势（Han等人，2019年）。此外，荧光光谱利用AFB₁在紫外光下的固有荧光特性实现高灵敏度检测（Venturini等人，2026年）。拉曼光谱，特别是表面增强拉曼散射（SERS），提供了独特的分子“指纹”信息，在检测微量霉菌毒素方面表现出卓越的灵敏度（Yin等人，2024年）。与这些光学方法并行的是，电子鼻（E-nose）利用气体传感器阵列模拟哺乳动物的嗅觉系统，专门用于检测A. flavus代谢早期释放的挥发性有机化合物（VOCs），如醛类、醇类和酮类（Jiarpinijnun等人，2020年；Q. Liu等人，2018年）。

然而，单一传感器模态在复杂基质中存在固有局限性。NIRS容易受到样品粒径、散射效应和基线漂移等物理变化的影响，而E-nose系统对温度和湿度等环境波动非常敏感。为了缓解这些问题，数据融合策略得到了越来越多的研究。最近的研究展示了多模态融合的潜力，例如将HSI与NIRS结合用于玉米分类（Zhang等人，2020年），或将FT-NIR数据与E-nose结合用于大米变质识别（Malegori等人，2020年）。NIRS和E-nose的同时应用也被用于检测羊肉掺假和估计水果腐烂时间（L. X. Huang等人，2017年；Jia等人，2024年）。然而，尽管在其他食品基质中取得了这些进展，但关于将NIRS和E-nose结合用于同时检测玉米中的A. flavus和AFB₁的具体应用报道较少。更重要的是，即使在现有的多模态融合研究中，模型通常也作为“黑箱”运行（Q. F. Huang等人，2024年）。大多数研究主要集中在提高预测准确性上，而忽视了阐明背后的决策机制。因此，目前尚不清楚模型预测是由生物学相关特征驱动的还是偶然的统计关联。这种不可解释性构成了数据融合技术在食品安全领域监管接受和实际应用的主要障碍。因此，迫切需要一种能够解构模型决策逻辑的方法。

为了解决这些挑战，本研究旨在建立基于NIRS和E-nose技术融合的快速、准确且可解释的检测框架。本研究的主要目标是构建一个结合这两种模态的新检测框架，以实现A. flavus污染水平和AFB₁含量的快速同时预测，并通过系统评估低层次与中等层次融合策略来确定最佳的数据融合机制。此外，本研究还尝试使用Shapley Additive exPlanations（SHAP）方法阐明融合模型的“黑箱”性质，提供透明的分析，并量化关键波长和传感器的贡献，以验证模型决策逻辑与真菌感染生物学机制之间的一致性。

部分内容

玉米样品制备

从安徽省合肥市的一个当地市场购买了“ Zhengdan 958”品种的玉米样品。经过手动检查后，选择了2.5公斤完整、大小均匀且未发芽的籽粒，将其浸入1%（v/v）次氯酸钠中消毒2分钟，然后用无菌蒸馏水冲洗三次。籽粒在无菌条件下干燥，随后通过反复喷洒无菌蒸馏水重新水化。

储存过程中真菌生长、理化性质和微观结构的变化

实验结果清楚地表明，在高温高湿条件下，A. flavus在玉米样品中迅速繁殖。如图1a所示，总菌落计数从第0天的2.1 log CFU/g稳步增加到第14天的近6 log CFU/g。早在第2天就超过了2.7 log CFU/g，表明样品受到污染（Shen等人，2018a）。同时，样品的含水量也呈现出类似的上升趋势，如图1c所示。

结论

本研究成功探讨了通过结合NIRS、E-nose和数据融合策略同时检测玉米中A. flavus污染和AFB₁含量的可行性。在评估的建模技术中，SPA-FNN模型的性能显著优于单一传感器模态，其在真菌菌落计数（准确率为0.9595，RMSEP=0.2408 log CFU/g，RPD=4.9671）和AFB₁含量（准确率为0.9867，RMSEP=24.7404 μg/kg，RPD=8.6701）方面的预测精度最高。

CRediT作者贡献声明

杨长新：方法论，研究。张毅：撰写——初稿，研究。刘伟：撰写——审阅与编辑，数据管理。郑磊：撰写——审阅与编辑，监督，资源管理，项目管理。刘长虹：撰写——审阅与编辑，概念构思。姜文辉：撰写——审阅与编辑，撰写——初稿，方法论，研究。

未引用的参考文献

Han和Deng，2018年；Han和Gao，2019年；Magan和Aldred，2007年；Siripatrawan和Makino，2015年。

利益冲突声明

作者声明他们没有已知的竞争性财务利益或个人关系可能影响本文所述的工作。

数据可用性

数据可应要求提供。

利益冲突声明

作者声明他们没有已知的竞争性财务利益或个人关系可能影响本文所述的工作。

致谢

本研究得到了国家自然科学基金（U23A20265、U23A2081）、安徽省重点研发计划（2023n06020010）、苏州市重大科技项目（SZKJXM202310）以及中央高校专项资助项目（JZ2024HGTG0286）的支持。本文的分析工作部分在合肥工业大学的仪器分析中心完成。