《Food Research International》：Advanced real-time, non-destructive spectral fingerprinting for early microbial spoilage detection: AI-integrated Raman biosensing platform for scalable food safety and quality
编辑推荐：
本研究针对传统食品腐败检测方法破坏性、耗时且难以识别早期生化变化或立体异构微生物副产物的局限，研发了一种集成生物分子光谱学与高级自组织映射神经网络(SkiNET)的新型非侵入性生物传感平台SkiNET-FoodSpec。该系统在肉类、牛奶和叶菜等多种食品基质中实现了>93%的分类准确率，可检测腐败前于可见或嗅觉信号的早期腐败，为食品质量保证提供了智能、即时的诊断工具，有望提升食品安全、减少浪费并支持可持续食品体系。
全球每年有超过三分之一产出的食品被浪费，造成的经济损失超过1万亿美元。肉类、乳制品和沙拉等易腐食品，由于微生物污染导致的腐败不仅造成巨大浪费，更带来健康风险。传统的检测方法（如监测生物胺）往往在腐败晚期才能发现问题，而且现有技术难以快速、准确地分辨像D-乳酸和L-乳酸这样的关键立体异构体（即“对映异构体”），后者与不良健康效应相关。面对这一挑战，来自英国伯明翰大学的研究团队在《Food Research International》杂志上报告了一项突破性进展。
研究人员成功开发了一种名为SkiNET-FoodSpec的革命性平台。该平台巧妙地将非侵入性的拉曼光谱技术与基于自组织映射(Self-Organising Map, SOM)的先进人工智能(AI)神经网络相结合。他们的目标很明确：实现对多种食品基质的快速、实时、无损伤腐败检测，并且能够区分关键的立体异构代谢物。
为了达成这一目标，研究人员开展了一系列严谨的实验。他们选取了猪肉、半脱脂牛奶和芝麻菜（一种火箭沙拉）作为代表性食品基质。在猪肉和沙拉样品中，研究人员人为涂抹了已知浓度的大肠杆菌 (Escherichia coli)以诱导微生物腐败，并在不同时间点（如24、72、120小时）于冷藏(4°C)和室温(25°C)条件下取样。对于牛奶样品，则通过添加不同浓度的D-乳酸和L-乳酸来模拟由特定微生物代谢产生的腐败情况。
核心技术方法包括：使用配备785 nm激光的共聚焦拉曼显微镜采集样品的光谱指纹；通过深度分析（z-stack模式）评估样品内部的光谱均匀性；进行标准微生物分析（如菌落计数）以量化微生物负荷；利用TBARS（硫代巴比妥酸反应物）和BCA（二喹啉甲酸）等生化分析分别评估脂质过氧化和蛋白质浓度变化；最重要的是，开发并应用了名为SkiNET的自组织映射神经网络，结合其判别指数(SOMDI)，对收集到的大量拉曼光谱数据进行高效分类和特征提取，生成可解释的“光谱条形码”。
研究结果揭示了不同食品基质在腐败过程中的特异性生化变化和SkiNET-FoodSpec平台的卓越性能。
3.1. 猪肉腐败
拉曼光谱清晰地显示了腐败过程中蛋白质和脂质的降解。例如，代表蛋白质二级结构的酰胺I带（~1653 cm-1）强度在感染样品中随时间显著降低，这与BCA蛋白定量结果一致。相反，苯丙氨酸的特征峰（~1002 cm-1）则相对稳定，表明其不适合作为早期腐败指标。深度分析证实了拉曼信号在样品内部（深至1毫米）的均一性，确保了检测的代表性。研究还成功量化了关键腐败标志物尸胺的检测限(LoD)为0.06875 mg/kg，并发现其浓度与细菌数量高度相关。
3.2. 光谱表征
研究发现，在冷藏条件下，感染组与对照组的酰胺I（1665 cm-1）、脂质（2895 cm-1）以及赖氨酸相关（937 cm-1）等峰强度存在显著差异。而在室温储存下，光谱变化更为迅速和复杂，显示出蛋白质变性、脂质氧化和微生物代谢产物积累的综合特征。
3.3. 生化变化、腐败标志物、微生物检测和定量
除了尸胺，代谢组学分析还显示腐败样品中烟酸、亚精胺和腐胺水平显著升高，这些共同构成了一个强有力的腐败生物标志物组合。
3.5. AI-光谱驱动的SkiNET-foodspec分类
这是研究的核心亮点。SkiNET模型成功地将对照猪肉样品与感染样品的光谱数据进行聚类和区分。通过优化（如使用5x5神经元网格），该系统对猪肉样品的分类准确率达到了93.2% ± 1.90%。SOMDI分析能够提取出导致分类差异的关键光谱特征（如853, 939, 957, 1243 cm-1等峰），从而生成独特且可解释的“光谱条形码”，用于标识不同腐败状态。
3.6. 乳制品腐败
3.6.1. 乳制品中的蛋白质构象变化
研究重点关注了D-乳酸和L-乳酸对映异构体的鉴别，这是现有食品工业技术的一大难点。拉曼光谱显示，纯的D-乳酸和L-乳酸在800 cm-1和830 cm-1等波段存在可区分的特征。更重要的是，当将这些对映异构体添加到牛奶中时，SkiNET-FoodSpec能够以93.0% ± 1.5%的准确率、92.5%的灵敏度和99%的特异性将它们区分开来。这得益于两种异构体不同的立体化学构型和偶极矩，影响了它们与牛奶蛋白（如β-乳球蛋白）的相互作用，进而改变蛋白的聚集和沉淀行为，这些变化被拉曼光谱敏锐捕捉并由AI识别。
3.7. 沙拉腐败
对于芝麻菜，拉曼光谱成功追踪了类胡萝卜素和纤维素降解等植物组织特有的腐败过程。SkiNET-FoodSpec对该基质的分类准确率为92.7% ± 1.69%，检测限为0.071 mg/kg。
3.8. 比较分析
研究人员还将SkiNET-FoodSpec与传统的定量聚合酶链式反应(qPCR)和三磷酸腺苷(ATP)生物发光法进行了全面比较。结果显示，新平台在检测时间（<2分钟/样品）、样本制备（无需）、单次检测成本（<0.1英镑，无试剂消耗）、多指标同时检测能力以及早期生化变化（而非仅微生物存在）的检测特异性方面均具有显著优势。
研究结论与讨论部分强调，SkiNET-FoodSpec平台成功整合了拉曼光谱和AI驱动分析，为食品腐败早期检测提供了一个强大的新工具。它能够非破坏性、快速地检测肉类、乳制品和沙拉中的早期腐败，分类准确率超过93%，并能实现传统方法难以做到的D-/L-乳酸对映异构体区分。该技术通过生成基质特异性的“光谱条形码”，能够在可见或嗅觉变化出现之前识别腐败，实现了真正的早期预警。
这项研究的意义重大。它不仅仅是一个实验室的检测方法，更代表了向智能、即时需求诊断工具的转变。这项技术有望在整个食品供应链（从农场到餐桌）中实施实时监测，从而大幅减少食物浪费，保障食品安全，并为构建更具韧性和可持续的全球食品体系提供关键技术支撑。
