基于花青素的比色传感器用于检测小麦中的黄曲霉毒素B1（AFB1）：通过近红外（NIR）光谱特性分析和结构改进的循环神经网络（RNN）实现性能优化

《Spectrochimica Acta Part A: Molecular and Biomolecular Spectroscopy》：Anthocyanin-based colorimetric sensor for aflatoxin B1 (AFB1) detection in wheat: Performance optimization via near-infrared (NIR) spectral characterization and structurally improved recurrent neural network (RNN)

　　

丛丽梅|于飞后|周希文|朱静文|江慧

浙江水利水电大学电气工程学院，中国杭州310048

摘要

小麦中存在的高毒性黄曲霉素B1（AFB1）对食品安全和公共健康构成了严重威胁。本研究通过将基于天然花青素的比色传感器阵列（CSA）与近红外光谱（NIRS）相结合，开发了一种快速且环保的AFB1残留检测方法。针对基于天然花青素的CSA-NIRS耦合系统的高维光谱序列特征，专门构建了一个深度循环神经网络（Deep-RNN）回归模型，以精确提取与AFB1相关的核心响应特征。结果表明，NIRS有效扩展了CSA的特征维度；基于NIR光谱特征的模型比传统的RGB模型具有更高的识别准确性，优化的Deep-RNN模型对AFB1的定量预测准确率超过了0.90。该耦合系统突破了传统检测技术的局限性，为谷物中霉菌毒素的现场快速筛查提供了一种新颖可靠的解决方案。

引言

小麦是全球三大主要粮食作物之一。由于人类长期驯化及广泛的种植，它满足了全球约五分之一人口的日常蛋白质和能量需求[40]。然而，在小麦储存过程中，谷物内部和外部之间的温度差异会导致水分迁移，从而容易引起局部水分含量异常升高。这为黄曲霉（Aspergillus flavus）的繁殖和感染创造了有利条件，不仅会导致严重的谷物变质和损失，还会产生并积累霉菌毒素[6]、[23]。在黄曲霉产生的各种霉菌毒素中，黄曲霉素B1（AFB1）的毒性和致癌性最强，对人类和牲畜的健康构成极大威胁[26]、[28]、[31]、[37]。急性高剂量摄入这种毒素可引发急性中毒，导致急性肝损伤，包括急性肝炎、肝细胞出血性坏死和脂肪变性以及胆管增生。相比之下，长期低剂量暴露于AFB1可引发慢性中毒，抑制生物体的生长发育，并在组织中引发纤维化病变和纤维组织的异常增生[19]。因此，提高小麦中黄曲霉素的检测能力至关重要。

目前用于检测小麦中黄曲霉素的方法主要包括高效液相色谱（HPLC）、气相色谱-质谱（GC–MS）、酶联免疫吸附测定（ELISA）、免疫层析测定（ICA）以及基于电化学适配体的核酸适配体传感[5]、[16]、[22]。这些方法都是基于目标分析物的物理化学和免疫学性质开发的，但普遍存在操作繁琐、样品预处理要求严格、检测周期长、检测成本高、样品消耗量大以及推广难度大等局限性[30]。最近的研究表明，黄曲霉在其生长过程中会产生大量挥发性有机化合物（VOCs），包括3-甲基-1-丁醇、1-辛烯-3-醇和3-辛酮[4]、[41]、[43]。利用这一化学特性，通过气体监测实现非破坏性和快速检测黄曲霉素已成为当前的研究热点。在检测这些挥发性气体方面，比色传感器阵列（CSA）是目前最有效和最具代表性的技术[20]。CSA是一种模仿哺乳动物味觉和嗅觉识别机制的新型检测技术，其核心工作原理是颜色敏感材料在接触VOC混合物时会产生特定的颜色响应。通过分析颜色变化指纹图谱，可以实现目标分析物的定性识别和定量检测。该技术具有出色的检测准确性和环境稳定性[1]、[18]。在现有研究中，耿等人开发了一种基于反相硅胶板的3×3阵列比色传感系统，用于获取鸡肉样品中挥发性成分的颜色指纹图谱[7]；王等人将九种颜色敏感材料固定在聚偏二氟乙烯（PVDF）膜上，实现了腌制蔬菜中挥发性风味物质的检测[35]；林等人用纳米材料修饰了比色染料，完成了与黄曲霉污染相关的气体检测与分析[17]。然而，目前CSA中使用的颜色敏感材料主要限于金属卟啉及其衍生物[42]。这类化合物由金属离子和卟啉环配位形成[32]，可能含有对人类健康有害的功能基团[25]。因此，在本研究中，使用从天然植物中提取的花青素染料替代了金属卟啉。熊等人研究了蓝莓花青素（BA）对罗非鱼皮肤挥发性代谢物的调节作用[39]；王等人从天然原料中提取花青素组分，并将其应用于猪肉的保鲜处理和新鲜度检测[34]。尽管如此，花青素用于黄曲霉素检测的可行性至今仍需系统验证。

此外，目前的CSA技术主要基于三种基本颜色（红、绿、蓝）提取特征，这些颜色提供的数据不足，阻碍了有效模型的开发。因此，合理扩展CSA的特征信息也成为当前的研究热点。近红外光谱（NIRS）作为一种成熟且广泛使用的分析方法，通过捕获分析物分子内化学键的 overtone振动和组合频率吸收产生的光学反馈信号，实现了定性和定量检测[13]。其有效的检测波长范围为780 nm至2526 nm[38]，具有丰富的光谱信息、低检测成本、快速分析速度、优异的仪器稳定性、环境友好性以及与物理和化学指标的强相关性[27]、[36]。本研究引入了基于CSA技术的近红外光谱扫描，可以有效扩展和利用比色传感器的特征。先前已有研究者探索了结合CSA和NIR的研究方法。康等人将嗅觉可视化传感技术与NIRS光谱结合，建立了用于茶叶多酚浓度定量分析的软测量模型[10]；Bilal等人整合了NIRS、中红外光谱（MIRS）和CSA技术，实现了花生质量的全面检测[3]。然而，仍存在几个关键问题需要解决：（1）大多数现有方法依赖于金属卟啉染料，而基于天然花青素的比色传感器的近红外光谱响应特性尚未得到充分探索；（2）在建模方面，现有研究大多局限于现有模型的应用和比较，缺乏针对CSA与NIR结合的光谱特征进行优化的专用模型，尤其是在定量检测应用方面；（3）NIR数据具有高维度、强非线性和波长依赖性[8]、[11]、[12]，并且不可避免地受到仪器噪声、环境干扰和冗余特征的影响。如何从这些复杂数据中有效提取信息并突破定量检测准确性和样本外泛化性能的严重限制，是目前亟需解决的关键问题。

为了解决问题（2）和（3）（问题1已在本文的实验设计中得到解决），本研究进行了以下研究：传统的回归模型在处理高维和非线性数据时往往表现不佳，无法捕捉光谱序列的长期依赖性，也难以有效提取与花青素比色传感器响应相关的特征信息[33]，导致定量预测准确性有限[2]、[29]。事实上，深度循环网络及其变体已被证明能够有效捕捉序列数据中的长期依赖性[15]、[24]。因此，基于收集的CSA-NIR数据的特点，本研究提出了一种改进的循环神经网络（Deep-RNN）回归模型。该模型由三层门控循环单元（GRUs）组成，专门设计用于捕获近红外波段内比色传感器的波长依赖性序列特征，使网络能够保留花青素与AFB1反应的关键光谱信息。同时，嵌入了四个神经元数量逐渐减少的全连接层，逐步降低维度并筛选GRUs提取的高维特征。这种结构可以过滤掉与花青素响应无关的背景干扰和冗余信息，核心目标是提高定量检测的准确性和框架的样本外泛化性能。

总之，本研究提出将CSA和NIRS技术（CSA-NIRS）相结合，建立了一种环保、快速且稳定的方法来确定小麦中的AFB1残留量。除了方法论的发展外，还在传感系统优化、特征扩展和模型改进方面取得了多项突破，具体内容如下：（1）创新地将天然花青素染料纳入CSA-NIRS联用系统，替代了传统的金属卟啉染料，为CSA的绿色发展开辟了新途径；（2）首次使用近红外光谱直接扫描基于花青素的比色传感器的颜色敏感区域，有效扩展了比色传感器的建模特征；（3）基于获取的特征，创新修改了RNN回归模型，使模型能够更准确地提取与AFB1含量相关的特征。同时，与其他多种模型进行了比较分析，有效验证了改进模型的有效性。

章节片段

小麦样品制备

本研究选取了来自中国河南省商丘市商业粮食生产区的小麦籽粒作为测试材料，总批次重量为10公斤。这些样品经过处理，以模拟收获后小麦储存过程中常见的霉菌定殖和AFB1积累过程。为了控制储存条件，将小麦样品均匀分布在金属盘上

AFB1浓度分析及数据集划分

为了明确小麦样品中AFB1污染程度的分类，并为后续模型预测性能的情景验证提供参考依据，所有测试的小麦样品根据中国国家食品安全标准（GB 2761–2017）规定的小麦基质中霉菌毒素的最大残留限量（MRL）分为三个污染等级：合规样品（AFB1含量

结论

本研究系统验证了基于天然花青素的CSA与NIR光谱技术结合在准确识别和定量检测小麦中AFB1污染程度方面的能力。模型性能比较表明，基于NIR光谱特征构建的分类模型比基于RGB颜色特征的模型具有更高的识别准确性，证实了NIR技术可以有效扩展特征维度

利益冲突声明

作者声明他们没有已知的可能会影响本文报告工作的财务利益或个人关系。

致谢

作者衷心感谢江苏省研究生研究与实践创新计划（资助编号KYCX25_4231）和中国国家重点研发计划（资助编号2017YFC1600603）的财政支持。