编辑推荐：
人工智能赋能非靶向筛查技术，通过自动化数据处理、智能光谱解析及复杂化学指纹模式识别，显著提升环境污染物与食品非法添加剂的检测能力，实现早期预警与精准溯源。但受限于复杂基质干扰、标准化数据库不足及模型可解释性缺陷，其规模化应用面临挑战。未来需构建高质量数据库、开发可解释AI模型及集成智能分析平台。
刘青芸|朱佩彬|孙慧|陈哲|邵冰
四川大学西华学院食品与生物工程学院，中国四川省成都市610039
摘要
目的
作为一项系统综述，本文旨在总结人工智能（AI）在增强非靶向筛查（NTS）技术中的应用现状及未来前景。研究重点关注环境和食品领域中未知或意外化学污染物的筛查与识别。具体而言，本文阐述了AI如何帮助克服NTS中的固有挑战，从而推进新兴污染物、食品掺假物和有害物质的检测技术发展，同时提升产品真伪验证和风险评估能力。
主要发现
在环境和食品领域，AI通过自动化数据处理、实现智能光谱解析以及从复杂的化学指纹中提取有意义的信息，增强了NTS的能力。具体应用包括对未知有害物质和非法添加剂的智能检测、地理来源和产品真伪的验证，以及营养价值和质量的快速无损评估。然而，复杂的食品基质、标准数据库不足以及模型可解释性低下等问题限制了其实际应用。
结论
AI正在推动食品领域NTS的发展，从大规模检测向智能预警和精准追溯方向转变。未来的研究应致力于构建高质量数据库、开发可解释的AI模型，并建立集成智能分析平台。这些进展将支持在整个食品供应链中实现更智能、更具预测性的安全和质量保障。本文阐明了AI如何推动NTS发展成为环境与食品科学中应对未知风险的核心工具，同时指出了克服当前瓶颈并实现其更广泛应用的关键途径。
引言
随着工业化和农业现代化的快速发展，环境污染和食品安全问题日益突出，带来了前所未有的复杂性和隐蔽性。尽管传统的靶向分析方法（如液相色谱-串联质谱法（LC-MS/MS）和气相色谱-质谱法（GC-MS）具有高灵敏度和特异性等优点，但它们受到“先假设再验证”研究模式的限制（Jin等人，2025；Newton等人，2025）。这种局限性意味着靶向分析方法只能检测已知化合物数据库中的物质，对新兴污染物和未知风险物质无效。最近的环境健康事件和食品安全危机（如全氟烷基和多氟烷基物质（PFAS）的环境累积（Fang等人，2025）、微塑料（MPs）的全球扩散（Liu等人，2021）以及食品中新的非法添加物的出现（Fu等人，2017）充分暴露了这一限制。
非靶向筛查（NTS）技术以其综合性克服了靶向分析方法的局限，正逐渐成为应对这些挑战的关键工具。NTS可以利用高分辨率质谱（HRMS）、核磁共振（NMR）等高通量分析技术对样本中的所有可检测化合物进行全面扫描，实现对所有可检测化合物的系统性分析（S. Z. Chen等人，2024；Vosough等人，2024）。这为识别新型污染物、食品掺假物和未知有害物质提供了可能性。在代谢组学研究中，NTS已成功应用于早期疾病生物标志物的发现（Tkalec等人，2022）。表1展示了靶向分析方法与NTS性能的全面比较。在环境监测中，NTS帮助科学家发现了传统方法无法检测到的多种新型污染物（Bletsou等人，2015；Liang等人，2025）。在食品安全领域，NTS技术为食品掺假物识别和未知风险物质的检测提供了新方法（Knolhoff & Croley，2016）。然而，NTS技术在实践中的应用仍面临一些困难。首先，NTS技术与高通量检测技术的结合会产生大量原始数据，其复杂性使得数据处理过程繁琐且效率低下。其次，检测过程中的复杂基质干扰导致假阳性率较高。此外，由于数据库的局限性，数据覆盖范围不足，导致大量特征峰无法标注，大量数据无法得到深入分析。这些挑战严重限制了NTS技术在常规监测中的应用。同时，全球监管需求推动了NTS技术的发展。美国环境保护署（EPA）已将NTS列为监测新兴污染物的核心技术，中国的“十四五”规划也将NTS列为新型环境监测技术研究开发的关键领域。然而，随着人工智能（AI）技术，特别是深度学习（DL）和机器学习（ML）算法的出现，NTS技术的技术瓶颈得到了突破。
AI的整合代表了NTS领域的革命性变革。为了明确这种整合的创新点和优势，有必要系统地比较基于AI的NTS与其前身技术（表1）。传统NTS常受数据洪流的限制，依赖人工专业知识完成峰值采样、对齐和识别等艰巨任务，这一过程缓慢且劳动密集，难以标准化。相比之下，基于AI的NTS在每个阶段都带来了显著改进：在数据预处理阶段，它能区分复杂基质中的信号与噪声；当化合物与库匹配失败时，它能辅助质谱（MS）预测模型和结构推断；在风险评估阶段，它能整合来自预测毒性和暴露数据的优先风险评分。这种AI驱动的系统性进步直接克服了传统NTS的核心局限，将其从发现工具转变为具有主动监测和决策支持能力的强大工具。
鉴于当前AI技术在各个领域应用中的持续突破，系统整理和分析现有研究应用至关重要。这将有助于集中探讨研究过程中的现有挑战，并促进对其未来发展前景的讨论。首先，介绍了AI在各领域应用中的关键技术；其次，从宏观层面概述了AI在各个NTS领域的应用现状，特别关注环境和食品领域。以环境领域为例，本文阐明了AI技术如何与NTS方法相结合及其应用方式。在此基础上，进一步讨论了其在食品领域质量和安全评估中的应用。此外，还总结了当前实际应用中遇到的主要挑战和困难。需要说明的是，尽管NTS结合AI在多种污染物类型上具有潜力，但本文主要关注其用于化学污染物筛查的应用。这一重点的选择基于AI解码HRMS等技术生成的高维复杂化学指纹数据的独特能力，这是现代化学NTS的核心。希望这项研究能为环境与食品科学的跨学科整合提供理论框架，并为环境和食品安全风险监测提供新的技术解决方案和理论基础。
AI的关键技术
利用AI机器替代人类劳动，使生活更加便捷舒适，一直是科学家的目标。如今，能够执行复杂任务的智能机器正在逐步取代人类劳动。这些机器经过训练，能够通过视觉、听觉和信号识别接收和处理信息，然后做出有用的决策（Nikitas等人，2020）。在环境和食品领域，主要使用的AI算法是机器学习和深度学习（
AI在环境和食品领域非靶向筛查中的应用
在环境和食品中筛查和检测污染物对于保护人类健康和生态系统至关重要，也是科学家研究的重点。尽管传统的NTS技术取得了显著进展，但目前的研究仍面临数据量大和操作繁琐等挑战。因此，随着技术的不断发展，AI已成为提升NTS能力、有效检测污染物的强大工具
技术局限性和挑战
虽然AI技术在NTS中的应用主要提高了筛查效率、扩大了检测范围并实现了更精细的风险评估（Jin等人，2025），但AI与NTS的整合仍是一个充满挑战的新兴跨学科领域。这些局限性不仅仅是技术障碍，更是决定研究结果可靠性和普遍性的根本瓶颈，最终影响其实际应用
未来前景
作为NTS跨各个领域的新兴跨学科领域，AI技术正处于从“概念验证”向“可扩展应用”转变的关键阶段。未来的发展不应仅满足于单个模型性能的渐进式改进，而必须在数据、算法、可解释性、应用场景和生态系统等多个维度上追求系统性创新
结论
本文系统评估了AI技术在NTS各学科中的应用进展，特别关注环境和食品领域的应用。引言和背景部分首先概述了NTS技术固有的核心瓶颈，包括数据复杂性、识别困难和风险评估挑战，从而确立了AI干预的必要性和不可避免性。随后，主体部分
作者贡献声明
刘青芸：方法学、验证、正式分析、调查、撰写——初稿、审稿与编辑。朱佩彬：调查、撰写——初稿、审稿与编辑。孙慧：方法学、验证、正式分析、调查、撰写——初稿、审稿与编辑。陈哲：调查、撰写——初稿、审稿与编辑。邵冰：监督、资金获取、撰写——审稿与编辑、项目管理。
资助
本研究得到了国家重点研发计划（2023YFF1104800）的支持。
利益冲突声明
作者声明他们没有已知的可能会影响本文工作的财务利益或个人关系。
