《Trends in Food Science & Technology》：Trends in emerging analytical strategies for okadaic acid detection in aquatic food commodities
编辑推荐：
海洋毒素赤潮毒素的检测技术进展与挑战：近五年综述了荧光、表面增强拉曼光谱、电化学发光等生物传感器技术对OA的检测极限（达pg/mL级）与应用场景，强调金/银纳米结构的增强效应及其实时、便携监测潜力，同时指出复杂样本基质下的稳定性不足等挑战。
穆罕默德·萨利姆（Muhammad Saleem）| 穆罕默德·梅赫迪·哈桑（Md Mehedi Hassan）| 瓦卡斯·艾哈迈德（Waqas Ahmad）| 梁天（Liang Tian）| 穆罕默德·法哈德·汗（Muhammad Fahad Khan）| 法伊兹-乌尔-哈桑·沙阿（Faiz-ul-Hassan Shah）| 徐毅（Yi Xu）| 陈全胜（Quansheng Chen）
厦门集美大学海洋食品与生物工程学院，中国361021
摘要
背景
食品安全尤其受到奥卡迪酸（OA）的威胁，这是一种由甲藻产生的海洋生物毒素，会在水产品中积累。全球快速变暖和海洋生态系统的过度开发加剧了水污染，提高了环境可持续性和人类健康的风险。作为导致腹泻性贝类中毒的主要原因，OA对公共健康和海鲜产业构成了威胁。
范围和方法
本文综述了过去五年中用于在水产品中灵敏且特异性检测OA的生物传感器技术的进展。文章强调了将高选择性生物识别元件（如抗体和适配体）整合到先进的光学传感策略中的重要性，并重点介绍了在复杂食品基质和实时现场监测应用中表现可靠的系统。
主要发现和结论
使用荧光、比色法和其他新兴方法可以在非常低的浓度下灵敏且特异性地检测到OA。这些技术的检测限范围从荧光和比色法的超痕量水平到表面增强拉曼光谱、电化学发光、近红外光谱和液晶检测的中等水平不等。这些技术利用特定的生物识别元件产生可测量的信号，并在复杂样品中表现良好。总体而言，这些方法为食品安全评估和OA的早期检测提供了可靠且经济高效的实时平台。
引言
根据著名文艺复兴时期医生帕拉塞尔苏斯（Paracelsus，1493-1541；毒理学之父）的说法，“不存在非毒性的东西”。毒性的程度取决于剂量和物质本身；这构成了将毒理学定义为研究毒素及其对生物体影响的学科的基础（Prasad等人，2025年）。毒素是一种能够伤害生物体的物质，通常被描述为生物毒素。研究由特定物种产生的天然毒素的学科称为毒素学，而更广泛的毒理学领域则研究毒素或化学物质的有害作用、来源、影响及其在人体中的处理方法。即使是最微量的生物毒素，当通过身体接触、食物摄入或呼吸受污染的空气进入人体时，也可能引起疾病症状或不良影响。因此，可以认为强效毒素来源于活体物种（Nwaji等人，2022年）。
根据来源，生物毒素可以分为四类：微毒素、霉菌毒素、植物毒素和动物毒素，但每种毒素的作用机制可能因来源、化学结构和性质而异。研究表明，海洋毒素每年导致近60,000例中毒事件，死亡率约为1.5%（Camacho-Mu?oz等人，2020年）。有害藻华（HABs）已成为一种常见现象，常与多种形式的水生毒素相关。在有害藻华期间，特定的藻类会产生有毒的生化物质，暴露于这些物质会对人类健康产生不良影响（Huang等人，2024年）。有害藻华产生的各种生物毒素与特定的疾病有关，包括腹泻性贝类中毒（DSP），如奥卡迪酸（OA）、记忆丧失性贝类中毒（如软骨藻酸），麻痹性贝类中毒（如石房蛤毒素STX），神经毒性贝类中毒（如短裸甲藻毒素），以及雪卡毒素鱼中毒（如CTX-1B）（Wei等人，2025年）。生物毒素通过食物链危害人类健康，引发急性和慢性毒性，以及致畸、致癌和致突变效应（Tang等人，2023年）。
近年来，由于气候变化、环境污染、海上交通以及沿海水域用于水产养殖等因素，生物毒素的普遍性持续增加。因此，DSP已成为一种全球性的健康危害。OA（C44H68O13）是一种由单细胞甲藻属Dinophysis spp.和Prorocentrum spp产生的强效聚醚类藻毒素。它会在食物链中积累并通过食用进入人体（Wei等人，2024年）。OA是最广泛分布的毒素之一，存在于贝类、鱼类和其他海洋动物中，并且在日常烹饪过程中仍然存在。OA最早在20世纪70年代被描述，但后来发现它还具有多种其他危险特性，能够抑制丝氨酸/苏氨酸蛋白磷酸酶1（PP1）和2A（PP2A）。食用受污染的OA贝类可能导致严重的中毒，如致癌和四聚体效应，也对人类健康构成重大风险（Shao等人，2024年）。因此，各国对海鲜组织中的OA设定了最大残留限量（MRLs）。欧盟和食品法典委员会规定的贝类中OA的MRL为160 μg/kg。欧洲食品安全局建议将OA的最大允许浓度从160 μg/kg降低到45 μg/kg。光谱技术、光学方法和电化学方法的MRL均远低于提议的45 μg/kg阈值，表明这些方法符合监管要求。在这种情况下，开发适用于实际样品中检测OA的方法尤为重要（Saleem等人，2026年）。
金和银由于其独特的物理化学、等离子体学和催化特性，在提高新兴分析技术的性能方面发挥着关键作用。它们强烈的局部表面等离子体共振能够显著增强电磁场，从而大幅放大分析信号，实现痕量级OA的超灵敏检测（Saleem等人，2026年；Xu, Hassan, Ali等人，2021年）。此外，金和银纳米结构通过促进高效的光物质相互作用、增强能量转移过程以及提高各种分析平台上的光学响应强度来改善信号生成和转换（Xu, Kutsanedzie, M. Hassan等人，2020年；Zeng等人，2024年）。它们优异的导电性和催化活性进一步促进了快速电子转移，提高了信号稳定性，而高表面积与体积比和易于表面功能化则支持生物识别元件的牢固固定并保持其活性。这些特性使金和银成为先进生物传感系统中的关键功能材料，提高了在水产品中检测OA的灵敏度、选择性和可靠性（Xu等人，2019年；Zeng等人，2025年）。
已经开发出多种化学、生物、仪器和分子策略来快速检测海鲜中的OA；然而，每种方法在分析时间、成本、选择性或灵敏度方面仍存在固有局限性。许多传统方法需要繁琐的样品制备、专用设备或复杂程序，限制了其在食品安全监测中的实际应用和常规使用。尽管经过数十年的发展，仍然迫切需要结合高灵敏度、操作简便性和广泛适用性的方法（Ahmad等人，2019年，2020年；Gu等人，2024年；Silun Li等人，2024年）。
本综述重点介绍了过去五年中用于在水产品中快速、灵敏且可靠检测OA的新兴分析技术的进展。系统评估了在纯溶液和实际食品基质中的检测限，并批判性地分析了每种方法的优点、局限性和样品制备要求。总结了OA的监管阈值，并强调了在实际条件下能够满足这些标准的技术。通过分析灵敏度、成本、分析复杂性和现场适用性之间的权衡，本文指出了关键趋势、未解决的挑战和未来方向，强调了当前研究的新颖性和相关性（图1）。
部分摘录
基于表面增强拉曼光谱（SERS）的传感器
SERS是一种强大的分析方法，因其能够将拉曼散射信号增强几个数量级而受到全球关注，从而能够在极低浓度下检测和表征分子（Zhu等人，2023年）。Fleischmann及其同事首次发现了SERS技术，并在将吡啶分子吸附到粗糙银表面时观察到了出乎意料的强拉曼信号（Fleischmann等人，1973年）。
基于SERS的传感器
SERS是一种强大的分析方法，预计将在不同领域得到广泛应用，尤其是在OA检测方面。SERS利用了表面等离子体共振以及当分子靠近粗糙金属（例如Ag、Au、Pt和Cu）表面时由化学效应引起的极化率变化，从而实现高达1015的增强效果（Wei等人，2024年）。一些最广泛使用的基于SERS的传感器
当前挑战
尽管在OA检测的新兴生物传感器技术方面取得了快速进展，但仍存在一些根本性挑战，阻碍了其在实际食品安全监测中的可靠应用。基于SERS的传感器、荧光光谱、ECL平台、NIR–PEC系统和LC传感器在复杂食品基质中的稳健性有限（Blanco-Fernández等人，2023年；Hua等人，2024年；Li等人，2025年；Shuhua Li等人，2024年；Xu等人，2023年）。蛋白质、脂质、色素等
结论
奥卡迪酸对食品的污染仍然是一个严重的全球公共卫生问题，需要快速、灵敏和可靠的分析工具。最近的光谱、电化学和光学策略为传统方法提供了有希望的补充：基于表面增强拉曼光谱、荧光、电化学发光、比色法、近红外–光电化学和液晶传感器的检测限范围从低pg/mL到数十ng/mL，具有线性
未引用的参考文献
Ahmad等人，2021年；Ahmad等人，2025年；Hassan等人，2021年；Hassan等人，2019年；Hassan等人，2021年；Hendrickson等人，2022年；Li等人，2024年；Li等人，2024年；Li等人，2024年；Ouyang等人，2023年；Wang等人，2025年；Wang等人，2022年；Wang等人，2023年；Wang等人，2025年；Wang等人，2023年；Wu等人，2023年；Xu等人，2023年；Xu等人，2021年；Xu等人，2021年；Xu等人，2021年；Xu等人，2020年；Xu等人，2020年；Xu等人，2025年；Yin等人，2022年；Zhao等人，2021年。
CRediT作者贡献部分
穆罕默德·萨利姆（Muhammad Saleem）：概念化、数据管理、正式分析、调查、方法论、软件、资源、验证、可视化、撰写初稿。穆罕默德·梅赫迪·哈桑（Md Mehedi Hassan）：撰写-审阅与编辑。瓦卡斯·艾哈迈德（Waqas Ahmad）：撰写-审阅与编辑。梁天（Liang Tian）：正式分析。穆罕默德·法哈德·汗（Muhammad Fahad Khan）：数据管理。法伊兹-乌尔-哈桑·沙阿（Faiz-ul-Hassan Shah）：撰写-审阅与编辑。徐毅（Yi Xu）：监督、数据管理、正式分析、资源、撰写-审阅与编辑。陈全胜（Quansheng Chen）：监督、数据管理
CRediT作者贡献部分
穆罕默德·萨利姆（Muhammad Saleem）：概念化、数据管理、正式分析、调查、方法论、软件、资源、验证、可视化、撰写初稿。穆罕默德·梅赫迪·哈桑（Md Mehedi Hassan）：撰写-审阅与编辑。瓦卡斯·艾哈迈德（Waqas Ahmad）：撰写-审阅与编辑。梁天（Liang Tian）：正式分析。穆罕默德·法哈德·汗（Muhammad Fahad Khan）：数据管理。法伊兹-乌尔-哈桑·沙阿（Faiz-ul-Hassan Shah）：撰写-审阅与编辑。徐毅（Yi Xu）：监督、数据管理、正式分析、资源、撰写-审阅与编辑。陈全胜（Quansheng Chen）：监督、数据管理
利益冲突声明
作者声明他们没有已知的利益冲突或个人关系可能影响本文所述的工作。
致谢
本工作得到了中国福建省自然科学基金（2024J01708）、福建省海洋和渔业产业高质量发展专项基金（2023年（FJHYF-L-2023-20）以及厦门自然科学基金（3502Z202472016）的支持。
