综述：智能技术在精准小米发酵中的应用现状及其对食品安全的影响：一项关键性综述

《JOURNAL OF FOOD SCIENCE》：Current Status of Smart Technology Applications and Food Safety Implications in Precision Millet Fermentation: A Critical Review

　　**摘要**

小米发酵因其众多健康益处而受到广泛关注，这主要归功于其较高的膳食纤维含量和无麸质特性，使其适合乳糜泻患者、糖尿病患者以及心脏疾病高风险人群。由于其低血糖指数和低热量含量，小米成为这些人群的理想选择。本文综述了当前关于小米发酵中智能技术的知识，探讨了食品安全和质量方面的问题。通过对近期研究的深入分析，发现智能技术在小米发酵中的应用可以提高发酵过程的精确度和效率、增加产量并提升产品的功能性。然而，目前智能技术的应用仍然有限，更多先进和优化的技术仍有待探索和实施以获得更好的效果。现有的小米发酵研究主要集中在有益微生物上，但如果发酵条件控制不当，病原微生物也可能带来潜在威胁。在发酵过程中整合先进的机器学习、建模和危害分析技术，将有助于确保基于小米的发酵产品免受污染物、微生物污染和毒素的侵害，从而保证产品质量。

**1 引言**

小米传统上被视为非洲和亚洲的粗粮和基本食物，但由于对可持续性、营养和气候问题的日益关注，它在世界其他地区（如欧洲和美洲）也变得越来越重要（Vidhya等人，2023年）。这些作物适应恶劣的气候条件，尤其是在干旱和半干旱地区，且所需投入少，因此是一种有前景的可持续农业作物（Mukherjee等人，2025年）。此外，小米的种植符合联合国的多个可持续发展目标（SDGs），包括消除饥饿、促进健康、水资源管理、环境保护、生物多样性保护以及推动公平的食品系统（Dhiman等人，2024年）。作为营养密集型的“营养谷物”，小米是玉米、大米和小麦等主要谷物的有效替代品，因为它们具有更高的营养价值且对环境的影响较小（Negri等人，2024年）。小米富含膳食纤维、蛋白质、维生素和必需矿物质（如铁、钙和镁）（Mazumder等人，2025年），同时还含有丰富的氨基酸和植物化学物质（Kumar等人，2023年）。这些特点使小米能够有效应对营养不良、粮食不安全和气候脆弱性等当代挑战。食品科学领域最近的研究重点更多地放在小米发酵的营养和功能性方面，以促进健康，而不仅仅是产量和热量（Amadou，2021年）。由于天然不含麸质，小米适合乳糜泻患者（Asrani等人，2023年）。小米的低血糖指数对糖尿病患者非常有益（Mansoria和Singh，2023年）。然而，抗营养因子（如植酸和单宁）限制了矿物质的生物利用度和产品的功能性（Shukla等人，2024年）。发酵、烘焙、挤压和生物强化等技术的进步有助于小米融入现代饮食，提高其营养价值、感官品质和消化性。发酵可以减少抗营养化合物的含量，从而提高铁、锌、钙和蛋白质的生物利用度，并产生支持肠道健康和代谢平衡的短链脂肪酸（SCFAs）。发酵还生成维生素B复合物、SCFAs和肽等生物活性化合物（Kaur等人，2024年）。这些成分有助于促进肠道健康、改善代谢活动，并降低心血管疾病和其他慢性病的风险。小米发酵包括多个阶段（图1），通过自然产生有机酸、抗菌化合物和风味活性代谢物，减少了人工添加剂、防腐剂和色素的需求。发酵微生物将植酸和单宁转化为有机酸，这些有机酸具有潜在的抗氧化作用，从而无需使用化学添加剂或抗氧化剂（Jeyakumar和Lawrence，2021年），促进了清洁标签产品的开发。这些特点使发酵小米产品（表1）成为具有增强免疫力、促进消化和降低慢性疾病风险等潜在功能的食品。

**2 方法**

两位独立作者使用关键词和布尔组合（如“millet fermentation” AND “smart technologies”、“millet fermentation” AND “AI”以及“millet fermentation” AND “food safety”）在Scopus、PubMed、Google Scholar和Science Direct数据库中进行了全面的文献搜索。本综述共收录了80多篇相关文章。

**3 精准发酵和先进发酵技术的现状**

与自然发酵不同，精准发酵（PF）是一种前沿的生物技术方法，它通过代谢工程修改或插入目标DNA，提高微生物的效率和生产力，以生成所需的产物，如生物活性代谢物、挥发性化合物和风味物质（Cho等人，2025年；Augustin等人，2024年）。从经验性发酵向受控生物加工的转变使得功能产物的预测成为可能。尽管发酵过程本身复杂且受多种微生物群落的影响，但精心挑选的微生物组合可以产生多样的物理化学、营养和生物功能性特性。例如，Balli等人（2023年）报告称，Saccharomyces cerevisiae和Campanilactobacillus paralimentarius的微生物组合能够增加钙、铁、总酚类物质的含量，并生成新的寡肽。相比之下，由Hanseniaspora uvarum和Fructilactobacillus sanfranciscensis组成的微生物联合体能够增加钙、铁和总酚的含量；然而，与S. cerevisiae和C. paralimentarius介导的发酵相比，其抗性淀粉的含量较低。此外，Saccharomyces boulardii介导的发酵产生的酚类物质含量最低，并且由于缺乏固体基质，抗性淀粉也有所减少。这些变化表明不同的微生物组合对发酵小米的物理化学、营养和生物功能特性有着显著的影响。除了联合体层面的差异外，菌株依赖性的代谢产物生产进一步强调了精准控制的概念。例如，选定的Monascus purpureus（MOPU GS1）菌株产生的洛伐他汀（一种降胆固醇化合物）含量最高（1.3–1.6 mg/g干重），而其他菌株如NRRL 1596、EBY2、EBY3、EBY4和BCRC 31615产生的洛伐他汀含量较低（Mari?等人，2019年）。这表明即使在相同的基质条件下，菌株间的遗传差异也能促进功能化合物的合成和毒素的抑制。这种精准性不仅增强了治疗潜力，还减少了后续去除毒素的处理需求，从而提高了安全性和成本效益。重要的是，基质基因型也与微生物代谢相互作用，影响生物活性产物的产生。Yang等人（2025年）的一项值得注意的发现表明，使用Rhodotorula rubra和M. purpureu对Miao Xiang（蜡质小米）进行固态发酵（SSF）时，产生的维生素K2的形式——麦角醌（MK）和脂肪酸的含量高于使用Jigu 42（非蜡质小米）的发酵结果。这种基因型依赖性的差异突显了菌株-基质兼容性在最大化目标代谢产物产量中的重要性。通过识别特定基因型的发酵策略和菌株-基质相互作用，可以进一步提高目标化合物的产量。在受控发酵过程中，特定的细菌和酵母共同增强了抗氧化活性、类维生素化合物和与益生菌相关的短链脂肪酸（SCFAs）的产生，体现了功能特性的精准调节（Yee等人，2025年）。这些发现表明，基于精准性的微生物生态调节促进了功能特性的优化，而不仅仅是被动性的代谢结果。因此，精准发酵（PF）不仅优化了代谢产物，还实现了产品层面的定制化，以满足特定消费者群体的需求，包括儿童、老年人或有饮食限制的人。此外，感官优化策略（如调整甜味剂水平或乳糖含量）可以通过精准发酵提高产品的可接受性，同时保持其营养价值（Kim，2023年）。因此，精准发酵代表了从传统生物加工向可定制、健康导向的食品系统的转变。

4 智能技术在小米发酵中的应用现状

现代技术（如图2所示），如自动化处理、基于传感器的监测和人工智能（AI）的整合，可以改变传统的小米发酵方式。小米发酵最突出的问题是未受控制的发酵效率低下。未受控制的发酵可能导致不良产品、异味和保质期缩短。为了提高效率和可扩展性，可以在小米发酵中引入以下创新。

4.1 自动化

自动化显著改变了发酵系统，解决了工业和传统生产中固有的变异性和高劳动强度问题（Yee等人，2025年）。通过精确控制关键工艺参数，自动化直接提高了发酵效率、可重复性和可扩展性。核心改进包括微调温度、pH值、湿度和搅拌速度等关键发酵条件，以确保环境的一致性和高效的代谢产物生产（Adeleke等人，2023年）。将这些参数维持在最佳范围内，可以确保产品的一致性并减少批次间的差异。特别是自动化 fed-batch 发酵能够动态控制营养供应，仔细调节进料速率和时间，防止基质过载或耗尽，这两种情况都可能影响微生物代谢并降低产品产量（Bolmanis等人，2023年）。这种方法对于随着时间推移保持稳定的发酵效率至关重要，因为它使营养物质的可用性与微生物生长和生产阶段同步。除了参数优化外，自动化还通过减少发酵过程中的手动错误（接种、混合、取样和监测）以及通过自动化系统中的传感器和数据记录器（Bolmanis等人，2023年）减少了对密集人工劳动的需求，从而实现了可扩展性，这些设备能够持续不断地监测发酵变量，以优化和解决质量保证问题，快速识别并纠正瓶颈。除了减少人为错误外，这种数据驱动的监督还确保了大规模或连续生产系统中产品质量的一致性。此外，自动化简化了清洁和维护工作，从而降低了污染和交叉污染的风险（Niyigaba等人，2025年）。自动化发酵的另一个优势是根据所需条件实时调节工艺变量，可以动态调整工艺变量以应对微生物活动或环境波动，确保发酵始终处于最佳功能范围内（Okuyelu和Adaji，2024年）。在传统食品发酵中，微生物代谢的微妙变化可能会显著影响感官和功能结果。一个实际的例子是基于多模态图像融合的智能白酒蒸煮填充蒸馏系统（Yu等人，2024年），该系统表明，完全自动化的蒸煮填充系统可以替代传统的手动劳动密集型步骤，通过集成RGB、红外和深度摄像头以及ABB六轴机械臂，显著提高了生产效率。该平台持续监测蒸汽排放区和谷物床的表面平整度，然后通过多模态融合语义分割网络（MF-U2Net，一种深度神经网络）指导机械臂均匀分布谷物，实现了96.8%的像素级准确率来识别蒸汽区、凹陷区和机械臂区域。与手动操作相比，该系统的实施使白酒产量提高了8.54%。这个例子展示了自动化结合智能传感和机器视觉如何将过程控制转化为可衡量的生产效益。总的来说，这些进步表明，自动化将发酵从劳动密集型、经验驱动的方式转变为受控的、数据驱动的生物加工系统。这样的整合不仅提高了效率和一致性，还为现代化传统发酵技术奠定了可扩展的基础。

4.2 机器学习（ML）和预测建模

机器学习和预测建模正在将发酵从一个基于反应性观察的过程转变为一个预测性和可控的系统（Jeong和Kim，2025年）。通过捕捉生化变量和操作变量之间的复杂非线性关系，机器学习提高了发酵的精确性，优化了产品质量，并提供了对微生物动态的更深入理解。一个重要的应用是预测发酵小米产品的保质期和质量预测。Selvan等人（2024年）使用人工神经网络（ANNs）、梯度提升（GB）和支持向量机（SVM）模型，通过分析与发酵相关的降解相关的生化标志物（过氧化值、游离脂肪酸和脂肪酶活性）来预测发酵小米的保质期。在这些模型中，ANN在预测生化特性和保质期方面表现最佳，R2值在0.9847到0.99之间，同时具有最低的误差指标，包括平均绝对误差（MAE）、均方误差（MSE）、均方根误差（RMSE）和卡方（χ2）。ANN的这种优越性能归因于其解决复杂非线性关系的能力及其对生化数据集中噪声的相对不敏感性。值得注意的是，发酵小米的降解动力学比未受控制的发酵更慢，这使得ANN能够有效区分受控发酵（其特征是渐进的生化变化）和与腐败相关的快速氧化降解。因此，预测建模不仅可以估计保质期，还可以区分理想的代谢进程和质量损失。除了质量预测外，机器学习还通过早期检测污染来提高安全性。例如，一项关于使用机器学习进行发酵过程污染检测和减少的研究（Nguyen等人，2025年）强调了机器学习在工业发酵中加强污染控制的作用。作者分析了246批发酵样品，包括健康和受污染的样品，使用了两种先进的异常检测模型：一类支持向量机（OCSVMs）和自动编码器（AEs），并通过贝叶斯超参数优化进行了优化，以F2分数作为评估指标。模型性能的优化强调了召回率（召回率）的重要性，从而优先正确识别受污染的批次。F2分数的定义是

通过更重视召回率，模型减少了假阴性结果，这在发酵系统中至关重要，因为未被检测到的污染可能会影响整个生产批次。OCSVM通过在正常操作数据周围构建边界来识别异常：

其中f(x) < 0表示污染。相比之下，AE通过测量重建误差来重建正常模式：

这些数学模型将生物不规则性转换为可自动检测的数学信号。OCSVM模型表现出色，正确识别了所有受污染的批次，召回率为1.0，精确率为96%，特异性为99%，F2分数为0.99。相比之下，AE的精确率和特异性略低，而传统的基于阈值的检测方法表现较差，F2分数仅为0.55，表明数据驱动的方法比基于规则的方法更可靠。除了检测之外，该研究还应用了Shapley Additive Explanations（SHAP）分析来解释模型预测，并揭示了与污染最相关的过程因素。这些过程因素包括溶解氧（较高的溶解氧表明污染风险降低，因为溶解氧过低会抑制生产菌株的生长并创造有利于机会性污染物的条件）、发酵罐压力（稳定的压力控制与较少的污染事件相关）、温度稳定性（温度变化与较高的污染可能性相关）和搅拌速度（适当的混合确保了营养物质、氧气和pH值在整个发酵罐中的均匀分布；较高的搅拌速度减少了分层和死区，否则有利于污染物的生长），SHAP分析表明一致且足够高的搅拌速度降低了污染风险）。训练有素的机器学习模型仅需100毫秒即可进行预测，并且只需使用未受污染的批次即可重新训练，因此可以灵活地集成到工业发酵的实时监测和控制系统中。重要的是，其可解释性确保了预测结果的透明度，使得可以将警报与潜在的过程变量联系起来，并及时采取纠正措施。这些发现共同表明，机器学习在发酵中的应用超越了预测分析，创建了一个闭环系统，其中质量预测、污染检测和可解释的过程控制共同作用，以提高精确性、安全性和操作弹性。

4.3 物联网（IoT）和传感器集成

物联网（IoT）、传感器和区块链技术的集成代表了向数字化互联发酵系统的转变，这些系统用于实时监测、过程透明度和可追溯性（Wong等人，2024年）。在小米发酵中，保持均匀的环境条件至关重要，因为即使工艺参数的微小偏差也会影响微生物活动、降低产品质量或增加安全风险。集成在发酵系统中的IoT支持的传感器网络持续监测关键操作变量，包括pH值、温度、二氧化碳浓度、溶解氧和搅拌速度（Yee等人，2025年）。由于这些参数对微生物代谢和生化转化至关重要，实时监测有助于在工艺参数出现偏差之前及早发现它们，防止它们升级为过程故障。当出现偏差时，自动化控制机制可以立即调整系统设置，恢复最佳条件，确保最小的手动错误和批次一致性（Wu等人，2024年）。除了局部控制之外，IoT系统还将远程数据传输到基于云的平台，通过实时仪表板和自动化警报实现远程监督（Klaithin等人，2024年）。这种数字连接性使得能够跨多个生产地点监测和管理发酵过程，实现可扩展性和操作灵活性。尽管IoT和云系统确保了动态监测和响应性，但区块链账本从IoT传感器检索数据，并保持发酵批次记录的不可变性和可审计性，从而实现了从原材料采购到最终加工阶段的端到端监测和可追溯性（Kulothungan，2025年）。除了过程监测和可追溯性之外，智能传感技术还增强了数字质量评估。Aliya等人（2024年）证明，将电子鼻（E-nose）和电子舌（E-tongue）系统与机器学习结合使用，可以精确评估白酒的风味质量。这些仿生设备通过将化学相互作用转换为可测量的电信号，模仿人类的嗅觉和味觉感知。电子鼻通过气体吸附引起的传感器表面电特性变化来检测挥发性化合物，而电子舌则通过电压、电流或阻抗的电化学差异来检测非挥发性物质。当与机器学习（ML）算法结合使用时，多模态数据能够实现产品质量的精确区分和预测性分类。基于物联网（IoT）的监控、自动化控制、云分析、区块链验证以及智能感官评估的整合，创建了一个全面的数字发酵环境。这种整合不仅确保了过程的精确性和可追溯性，还实现了对感官质量的客观、数据驱动的评估，将传统的发酵系统转变为一个透明且智能的生产生态系统。

4.4 高光谱成像（HSI）
在小米发酵过程中，早期检测微生物和真菌污染至关重要，因为未被发现的病原体或毒素会损害产品质量和安全性。然而，传统的微生物学方法通常耗时、具有破坏性，并不适合连续监测（Vasavada等人，2020年）。在这种情况下，HSI作为一种强大的非破坏性和实时分析工具应运而生。HSI通过检测400-2500纳米范围内的空间和光谱信息，实现了对微生物污染的非破坏性实时捕获（Ma等人，2019年）。微生物检测的原理依赖于其在光散射行为和特定波长吸收中的独特生化特性。该技术能够在菌落和细胞水平上以84%-100%的准确率区分微生物污染物（孢子和病原体）和有益的发酵微生物（Sekhon等人，2024年；Soni等人，2024年；Caporaso等人，2018年）。当与深度学习模型结合时，HSI的预测效率进一步提高。例如，Nie等人（2024年）的研究表明，将可见光-近红外HSI（VIS-NIR-HSI）与小波变换-注意力机制长短期记忆（WT-ALSTM）模型相结合，能够准确检测小米中的真菌污染。光谱仪收集了反映小米颗粒物理和化学特性的396个波段的光谱数据，并通过小波变换进一步去噪。WT-ALSTM根据收集的高光谱数据检测真菌污染物（麦角甾醇和脱氧雪腐镰刀菌烯醇）。与随机森林（RF）和支持向量机（SVM）等传统算法相比，注意力机制（AM）算法被用来检测与真菌污染相关的最适波长。WT-ALSTM模型表现出出色的预测性能，其决定系数（R）值超过0.95，残差预测偏差（RPD）值高于3.5，适用于麦角甾醇和脱氧雪腐镰刀菌烯醇含量。因此，这些发现为小米中快速、无创且高度准确的早期污染检测提供了新的见解。

4.5 动力学建模
将传统的米氏-门滕动力学应用于小米多糖发酵受到该模型无法纳入分子多样性和环境变化的限制。发酵系统本质上是动态的，涉及微生物生长、底物转化、结构改变以及物理化学演变。需要先进的动力学和统计建模方法来捕捉这些多因素相互作用。为了解决米氏-门滕动力学的局限性，Meena等人（2024年）使用Weibull动力学模型研究了小米发酵行为，该模型表示为

其中，K是速率常数（min^-1），β是形状参数，决定了发酵过程中反应速率的曲率和时间依赖性。与经典的线性动力学模型不同，Weibull模型能够存储非线性的发酵模式和随时间变化的反应速率。利用这种方法，研究成功模拟了乳酸浓度、持水能力（WHC）和粘度的变化，具有较高的预测准确性（R2 = 0.794–0.965）。值得注意的是，接种后应用超声波处理显著增加了乳酸生产的速率常数（3.15 × 10^-3 min^-1），与对照条件相比，表明发酵过程加速。同样，WHC和粘度的速率常数也有所增加，表明可以通过灵活的动力学建模定量评估工艺干预措施。因此，Weibull框架使得超越米氏-门滕假设范围的发酵进程动态特征成为可能。尽管动力学建模可以指示发酵的时间行为，但统计优化模型能提供对工艺参数相互作用的更好见解。Navyashree等人（2023年）利用Box-Behnken设计（BBD）这种响应面方法，使用Lactocaseibacillus rhamnosus（LGG）优化了益生菌白指小米饮料的生产动力学，以实现更短、更高效的周期。该设计优化了工艺变量（白指小米粉、糖和微生物接种物）及其对响应变量（如总可溶性糖（TSS）、pH值、微生物负荷和粘度）的影响。模型确定小米粉、糖和微生物接种物分别以14%、5%和1%的组合最为优化，其理想度得分达到0.975或97.5%。模型预测在优化组合中TSS、pH值、微生物负荷和粘度的值分别为11.24°Brix、4.38、9.12 log cfu/mL和45.36 cP。实验值与预测值非常接近，TSS为11.26°Brix，pH值为4.4，微生物负荷为9.08 log cfu/mL，粘度为45.21 cP。这种预测值与实际值的接近性表明了优化模型的可靠性。这种优化组合产生了具有吸引人理化特性的益生菌小米饮料，并获得了8.34的高感官接受度得分。

4.6 小米发酵中的组学
基于组学的方法极大地推进了对发酵过程中微生物生态和生化转化的理解。主要的组学研究集中在发酵过程中涉及的微生物的DNA和RNA测序上。这项技术不仅有助于识别微生物，还能监测不同时间点的微生物负荷。例如，16s rRNA Sanger测序、全基因组测序和高通量扩增子测序已被用于分析发酵小米Hausa koko中的乳酸菌和酵母（Atter等人，2024年）。同样，16S rRNA基因的高通量测序表征了小米基ogi发酵过程中细菌多样性和群落结构的时间变化，突出了乳酸菌如Burkholderia–Caballeronia–Paraburkholderia、Lactobacillus、Lactococcus和Pediococcus的主导地位（Chibuzor-Onyema等人，2021年）。这些微生物变化与风味发展、营养增强和霉菌毒素水平的降低相关，从而展示了微生物群落结构对最终产品质量的影响。尽管基因组学提供了关于微生物种群动态的见解，但代谢组学（代谢物分析）这一新兴的强大工具可以确定小米发酵过程中发生的生化转化。先进的分析技术，如液相色谱-质谱（LC-MS）和核磁共振（NMR）光谱，能够全面表征代谢物的转化（Letertre等人，2020年；Perez de Souza等人，2021年）。例如，对Rhizopus oryzae介导的发酵小米的代谢物分析显示了来自18个化合物类别的718种代谢物，其中203种在发酵后浓度显著增加（Liu等人，2024年）。这种方法分析了发酵驱动的质量提升的生化基础，并检测了小米发酵过程中的霉菌毒素水平，这对食品安全至关重要（Chibuzor-Onyema等人，2021年）。另一项研究表明，对传统发酵小米醋的代谢组学-微生物相关性分析揭示了有机酸（乙酸、草酸和乳酸）和游离氨基酸（谷氨酸、丙氨酸和缬氨酸）的积累，这些成分定义了感官质量，同时保持了符合世界卫生组织/粮食及农业组织营养标准的必需氨基酸与非必需氨基酸的比例（Li等人，2025年），确保了食品安全。除了组成和代谢物之外，宏基因组学和宏转录组学还能够识别小米发酵过程中表达的功能基因和代谢途径。例如，对小米醋发酵中的Lactobacillus harbinensis的基因组分析揭示了编码碳水化合物活性酶的基因的存在，包括水解酶、糖苷酶和纤维素酶，这些酶有助于降解谷物细胞壁成分并促进多酚化合物的释放和利用（Yan等人，2025年）。这突显了功能组学在连接微生物身份与代谢潜力及产品转化中的作用。从我们的角度来看，智能技术的整合有可能提升产品的稳定性和可重复性，这是小米发酵过程中面临的最具挑战性的问题之一。通过智能技术进行优化可以帮助克服这些挑战。目前，关于基于智能技术的小米发酵的研究还非常有限。尽管有关智能白酒生产的研究已经存在，但在其他发酵小米产品的生产中应用智能发酵技术的方面还存在巨大差距。表格2总结了智能技术在精准小米发酵中的应用现状及关键评论。

5 发酵小米的食品安全和质量问题
发酵小米产品因其营养价值和健康益处而受到认可；然而，确保其微生物安全性和质量一致性仍然至关重要。如果卫生条件不佳，本土发酵过程中可能含有病原体（金黄色葡萄球菌和大肠杆菌）或机会性真菌（Anyogu等人，2021年）。Nanouman Marina Christelle等人（2021年）报告在发酵小米食品中发现了金黄色葡萄球菌、大肠杆菌、弯曲杆菌、耶尔森菌和布鲁氏菌。在发酵过程中，如果pH值、温度、湿度和卫生条件没有得到适当维护，微生物可能会产生毒素或抗性孢子（James 2024年）。除了细菌污染外，产霉菌毒素的真菌也对小米发酵构成潜在威胁。在发芽（发酵前的浸泡步骤）期间，真菌生长可能会使霉菌毒素水平升高，导致珍珠小米和高粱麦芽中积累黄曲霉毒素B1（AFB1）和伏马菌素B1（FB1）（Kaela等人，2023年）。最常见的食品borne霉菌毒素（黄曲霉毒素、赭曲霉毒素A、伏马菌素、脱氧雪腐镰刀菌烯醇和玉米赤霉烯酮）与致癌、肝毒性或免疫抑制作用有关（Pandey等人，2023年）。小米霉菌毒素污染的主要来源通常与小米颗粒在生产、储存或加工过程中对镰刀菌感染的敏感性有关。生物标志物，如麦角甾醇和脱氧雪腐镰刀菌烯醇，被广泛用作真菌负荷和毒素风险的指标（Nie等人，2024年），有助于进行发酵前的筛查。除了生物危害外，发酵小米产品还可能带来化学危害，包括重金属（铅、镉）和由于土壤污染、工业排放或农药使用而在小米中积累的次级代谢物（Pop等人，2024年）。长期暴露于这些金属可能导致肾功能障碍、高血压和致癌效应，而急性毒性可能导致恶心、呕吐和腹痛（Fayyaz等人，2022年）。此外，农药残留可能在加工后持续存在，并与内分泌紊乱、神经效应和肠道微生物平衡改变有关（Perez-Fernandez等人，2020年）。为了减轻这些问题，进行实质性监测、良好的农业和制造实践以及采用先进的检测技术以最小化化学危害至关重要（Pop等人，2024年）。此外，在发酵过程中使用目标微生物培养物可以通过促进这些有害化合物的生物降解来潜在地降低农药残留（Kapahi和Sachdeva 2019）。与工艺相关的风险进一步复杂化了小米发酵的质量保证。然而，发酵可以提高蛋白质的消化率（图3），并显著增加酚类和抗氧化剂的含量；不受控制的生化反应可能会对感官属性产生负面影响。例如，脂质的氧化和碳水化合物的降解会改变感官属性（Gowda等人2022）。脂质氧化（脂肪酸的去酯化）会导致异味和酸败，从而影响食品的香气和口感。由于小米中含有大量的不饱和脂肪酸，在储存过程中容易发生脂解和去酯化，因此小米的酸败和异味现象较为常见（Bora等人2019）。

图3：复杂蛋白质降解的示意图。发酵微生物会分泌胞外蛋白酶，将蛋白质分解为更简单的肽和氨基酸，从而提高消化率。然而，过度发酵或控制不当的发酵可能导致乙醇和有机酸的过量生成，使pH值显著下降，并导致不良的风味特征（Guo等人2023；Yang等人2025）。某些化合物，如2-氧戊酮、4-丁氧基-1-丁醇和2-戊基呋喃，在发酵时间延长时与苦味有关（Yang等人2025）。此外，虽然MK水平在一定范围内是有益的，但过量积累可能会带来肝毒性或药物相互作用的风险（Yang等人2025）。保持质量是小米发酵中的另一个关键挑战，因为使用不受控制的发酵剂和加工过程中的不一致性会导致有机酸、矿物质和风味化合物的产生变化，从而影响产品的可重复性和消费者的接受度（Balli等人2023）。发酵可以产生含有较高浓度有益乳酸菌的产品。然而，在传统方法中，根据所采用的卫生措施和工艺控制措施，这些过程也可能导致酵母、霉菌或大肠菌群水平超过安全限值（Amadou等人2011）。发酵过程中的不一致性可能导致植酸、单宁和胰蛋白酶抑制剂的残留，从而影响最终产品的质量（Gowda等人2022）。小米发酵主要依赖于有益微生物的生长，同时尽量减少病原体的生长。尽管传统的基于培养物的计数和鉴定方法被广泛用于检测发酵小米中的病原体，但它们低估了潜在食源性病原体的多样性，并且耗时较长。关于发酵小米中病原体检测的分子方法的先进综合研究仍然很少（Adejobi等人2024；Gouthami等人2024）。为了应对这些挑战，全面了解潜在的危害和相关风险至关重要，以便采取适当的控制措施，有效利用发酵小米的好处（表3）。

表3：小米发酵中的食品安全危害及智能检测方法。危害 来源 潜在风险 智能检测技术/缓解策略

微生物病原体 原材料、水、设备 食源性疾病、急性胃肠道疾病 生物传感器和PCR集成传感器；快速、现场检测，具有高准确性和最低的设备要求（Itagaki等人2024；Campi?a等人2025）

霉菌毒素 不良储存、农业污染 慢性毒性、致癌性、免疫抑制 拉曼光谱、表面增强拉曼光谱（SERS）、侧向流动分析。这些技术可以在生产、运输和储存的早期阶段识别污染（Pandiselvam等人2025）

酸化失控 工艺变异性、发酵控制不当 产品变质、快速恶化，导致保质期缩短 物联网pH传感器结合机器学习可实现实时监测和工艺稳定（Yee等人2025）

生物胺 发酵不当、温度不一致、细菌生长 毒性反应、过敏、高血压、变质 集成传感器E-nose和E-tongue、代谢组学分析（Liu等人2024；Li等人2025）

交叉污染 设备、处理、表面、卫生条件不足 安全性受损、二次污染、生物膜形成 良好的生产规范合规性、基于ATP的卫生监测（Liu等人2023）

重金属 农业投入、环境污染、加工设备 急性毒性、肝毒性 电化学传感器、良好的农业和制造规范（Pop等人2024；Gao等人2024）

6. 监管和风险评估政策
发酵小米产品是非洲和亚洲多种传统饮食的重要组成部分，具有多种健康益处。尽管它们具有重要意义，但这些产品的风险评估和安全监管框架仍然不完善，不如其他发酵食品的监管框架发达。下面简要讨论了与消费者安全相关的监管障碍和建议。发酵小米安全治理的主要障碍是缺乏全面、标准化的监管框架，特别是针对这些产品的监管框架。尽管发酵小米产品被广泛消费，但正式的安全法规仍然很少（Ato和Ogbonna 2024）。生产通常在非正式、不卫生的环境中进行，没有良好的生产规范（GMP）合规性，增加了微生物安全风险（Mensah和Asare 2025）。有效的微生物安全监管框架应重点识别安全且无害的有益微生物。虽然小米发酵涉及复杂的微生物群落，但政策必须明确哪些物种或菌株是可接受的，哪些需要控制或排除。例如，已经发现某些乳酸菌根据其特性具有益处或安全隐患（Fang等人2025）。政策应设定微生物负荷和病原体指标的明确限制。标准化的质量和微生物评估，确定总大肠菌群、酵母和霉菌数量以及金黄色葡萄球菌等病原体，结合结构化的工艺映射和食品安全管理实践，可以降低污染风险，同时保持感官质量（Mensah和Asare 2025）。尽管食品法典委员会和其他国际组织制定的全球食品安全标准提供了重要的指导，但它们在发酵小米产品中的应用仍然有限。世界卫生组织、粮食及农业组织和食品法典委员会领导的国际合作和政策协调努力已经建立了基于科学的标准，可以为各国监管框架提供信息和支持（Fortin 2023）。然而，这些框架必须适应各地区传统发酵小米产品的生产和消费模式。由于缺乏统一的标准，国际贸易和消费者保护面临重大挑战。为了符合国际食品安全原则，各国必须建立符合当地生产情况的明确监管框架。除了政策制定外，监管机构还应要求发酵小米生产遵守GMP，特别是关注卫生协议、设备消毒和员工培训。应在生产和分销阶段实施常规的微生物监测，以早期发现污染。建立认证和供应商责任制度可以确保持续遵守安全标准（Ato和Ogbonna 2024）。

7. 可持续性和循环发酵经济
循环发酵经济将可持续性和零浪费的原则融入基于发酵的产业中，从而将废物转化为有价值的资源，减少环境影响（Stanley等人2025）。发酵本身可以消除抗营养因子（图4），提高矿物质的生物利用度，并利用有限的资源生产功能性益生菌食品。循环方法通过将小米副产品（如麸皮、壳和发酵残渣）转化为动物饲料、生物燃料、有机肥料或增值食品成分，提高了小米的价值（Stanley等人2025）。小米副产品还可以用于二次发酵过程或培养有益的真菌和细菌，从而将潜在的废物转化为有价值的生物技术基质（Chaparro等人2021）。最近的创新包括将小米发酵副产品整合到烘焙食品和零食中，以及利用发酵产生的生物活性化合物开发新的市场产品，从而提高资源效率，减少食物损失和加工浪费（Kohli等人2019）。

8. 结论和未来方向
小米发酵是一个复杂的过程，涉及微生物群落、酶和生化改性的相互作用，共同提升了发酵小米产品的感官、营养和功能属性。当前关于小米发酵的研究显示出在提高矿物质生物利用度、增强抗氧化活性和生成多种具有健康促进作用的生物活性化合物方面的巨大潜力。小米发酵技术的进步应该解决食品安全和发酵小米产品的质量问题。更先进的建模技术，如门控循环单元（GRU）这种循环神经网络（RNN）和极端梯度提升（XGBoost），尚未在小米发酵中得到应用，为高效发酵提供了新的研究方向。小米发酵中的安全问题也亟待解决。通过继续创新，部署机器学习和数字传感器阵列来快速评估pH值、酸度和微生物变化，实现精确的工艺控制，缩短生产时间，同时降低病原体风险，并结合危害分析和关键控制点（HACCP）系统，可以改善小米食品安全。小米发酵的另一个薄弱环节是临床试验，尽管已经进行了一些临床前试验，但这将有助于更好地了解其对人类健康的影响。总结表（表4）突出了当前在精确发酵小米和食品安全保障方面应用智能技术的限制、差距和未来方向。

表4：精确发酵小米和食品安全保障中智能技术的关键挑战、研究空白和未来方向。领域 挑战/限制 缺口 未来方向

传感器 高成本 缺乏适用于小规模单元的廉价传感器 低成本、模块化、可扩展的传感器开发

传感器特异性 对发酵标志物的检测有限 具有特定物种VOC检测能力的传感器

数据整合—格式 不兼容的数据格式和平台阻碍数据整合和互操作性 标准化的发酵参数数据模型 集成、跨兼容的数字系统

标准化协议 缺乏发酵工艺协议 小米特定的发酵协议 全球统一的标准

技术专长 专业知识有限 适用于资源有限环境的实践培训项目 能力提升项目 推广障碍 行业采用率低 小规模采用的经济可行性评估 试点规模示范

作者贡献
Samson Debbarma：概念化、撰写——审阅和编辑、撰写——初稿、方法论、软件、可视化、正式分析、验证。
Harsimranjeet Kaur：可视化、撰写——初稿、撰写——审阅和编辑、调查。
Karthikeyan Subburamu：概念化、方法论、正式分析、撰写——审阅和编辑、调查、监督、验证。
Alberto Fiore：概念化、方法论、撰写——审阅和编辑、调查、验证。
Saima Debbarma：软件、可视化、撰写——初稿、撰写——审阅和编辑。
Gitanjali Jothiprakash：撰写——初稿、撰写——审阅和编辑、验证、正式分析。
Veeranan Arun Giridhari：正式分析、撰写——审阅和编辑、撰写——初稿、验证。
Salswkang Debbarma：可视化、撰写——审阅和编辑、撰写——初稿、正式分析。
Evarin Debbarma：撰写——审阅和编辑、正式分析、验证、可视化。

致谢
作者衷心感谢泰米尔纳德农业大学收获后技术中心；阿伯泰大学建筑环境与生命科学系；贾穆印度理工学院物理系；以及阿加尔塔拉国家技术学院数学系提供文献数据库和资源，促进了本综述工作的进行。作者还感谢Biorender、Freepik和Canva等图形工具在插图支持方面的帮助。

利益冲突
作者声明没有利益冲突。