利用近红外光谱与机器学习建模对饼干中丙烯酰胺进行智能筛选：一项面向过程分析技术（PAT）的研究

《Food Production, Processing and Nutrition》：Smart screening of acrylamide in biscuits using NIR spectroscopy and machine learning modeling: a PAT-oriented study

　　

丙烯酰胺（AA）是在富含碳水化合物的食品高温处理过程中形成的一种加工污染物，引发了重大毒理学担忧并促使相关监管机构制定了严格的限量标准。本研究探究了光学传感技术作为可可基饼干中丙烯酰胺快速无损筛选工具的潜力。研究人员在两次工业采样活动中评估了三种光谱设备（可见-近红外（VNIR）、近红外（NIR）和傅里叶变换近红外（FT-NIR）），共采集了98份研磨饼干样品，这些样品直接来自连续式烤炉焙烤后的生产线。为最大化工艺变异性，研究人员系统性地调整了七个生产因素。通过液相色谱-串联质谱（LC–MS/MS）测定的饼干丙烯酰胺浓度范围为100至500 μg/kg。所开发的偏最小二乘（PLS）回归模型实现了0.65至0.87的交叉验证R²和最高达2.0的残差预测偏差（RPD）值，支持其用于半定量筛选。两次采样活动之间的域漂移引入了主要与储存条件差异相关的光谱变异性。外部参数正交化（EPO）方法的应用有效补偿了此类变异性，改善了外部预测性能（预测均方根误差（RMSE）≈ 40–50 μg/kg）。这些结果表明，VNIR/FT-NIR光谱可作为过程分析技术（PAT）工具用于烘焙生产中丙烯酰胺的离线或在线监测，通过更快的工艺反馈和主动性食品安全与品质控制来支持质量源于设计（QbD）框架。

丙烯酰胺作为一种在高温加工富含碳水化合物的食品过程中形成的加工污染物，因其潜在的遗传毒性、神经毒性和致癌性而引起了广泛关注。自2002年Tareke等首次在薯片、谷物制品和咖啡等高温处理食品中发现高浓度丙烯酰胺以来，国际社会对该物质的风险评估日益加强。国际癌症研究机构（IARC）于1994年将丙烯酰胺列为2A类"可能对人类致癌"物质，而欧盟通过第2017/2158号法规对高风险食品类别中的丙烯酰胺设定了基准水平，其中普通饼干为350 μg/kg，婴儿饼干为150 μg/kg。尽管实施了缓解策略和监管基准，欧洲食品安全局（EFSA）仍报告食品类别中丙烯酰胺浓度存在显著变异性，凸显了现有控制措施的局限性和开发更可靠高效监测工具的迫切需求。

传统的丙烯酰胺定量分析方法如液相色谱-串联质谱（LC–MS/MS）和气相色谱-质谱（GC–MS）虽具有高灵敏度和特异性，但存在破坏性、耗时且成本高昂等缺点，难以满足实时过程监控的需求。相比之下，质量源于设计（QbD）框架倡导通过连续过程验证和控制实现主动质量保证。在这一背景下，光谱和成像技术作为与过程分析技术（PAT）兼容的工具，正受到越来越多的关注。已有的计算机视觉系统虽可在线监测与丙烯酰胺形成密切相关的美拉德反应褐变强度，但其效果受照明条件、表面变异性和相机校准等因素限制。可见-近红外（VNIR）光谱技术能够实现对原材料、中间体和终产品的快速无损分析，是推进从质量检验（QbT）向QbD转变的关键工具。然而，将高光谱成像等结合光谱和空间信息的技术用于丙烯酰胺分布全面映射时，高昂的成本和较长的采集时间使其在PAT实施中不如单点光谱经济高效。基于此，研究人员开展了本项研究，旨在评估NIR方法作为饼干生产PAT工具的适用性，通过三种不同的光谱系统（VNIR、NIR和傅里叶变换（FT）-NIR设备）预测不同采样活动中可可饼干中的丙烯酰胺含量。

本研究于2023年夏季（S_2023）和2024年夏季（S_2024）在一家拥有11条生产线、年产超过一百吨产品的工业烘焙设施中开展两次采样活动。研究人员系统性地调整了七个生产因素以最大化丙烯酰胺浓度变异性，包括烤炉操作参数（不同烤炉区的焙烤时间和温度设定点）、配方变量（蔗糖、碳酸氢铵和天冬酰胺酶用量）以及传送带上饼干的位置（左、中、右）。每次活动在四个 separate days进行，每次从生产线焙烤后直接收集200块饼干样品，并将每个样品 subdivided为三个子样品以评估样品内变异性。每个子样品经实验室切碎机研磨30秒后，在室温下储存以备参考分析和光谱分析。鉴于焙烤饼干的吸湿性（水分含量1–3.5%）及NIR光谱对水分含量和结构的高度敏感性，研究人员测试了两种储存条件：S_2023采用工业常规做法，用普通纸袋包装；S_2024则采用实验室做法，用聚酰胺（PA）和聚乙烯（PE）基袋真空密封。两次采样活动共提供98个样品（S_2023为47个，S_2024为51个）。

丙烯酰胺浓度通过LC–MS/MS分析（ISO 18662:2016标准）进行定量，采用¹³C₃标记的丙烯酰胺作为内标，在电喷雾正离子模式下进行质谱检测，标准误差（SEL）为18.6 μg/kg。光谱数据采集使用三种设备：D1为380–1650 nm范围的VNIR二极管阵列光谱仪；D2为680–2600 nm范围的VNIR光谱仪，配备预分散扫描单色仪和温控InGaAs检测器；D3为800–2500 nm（12,500–4000 cm^?1）范围的FT-NIR光谱仪，配备积分球。数据处理和建模在Matlab环境中使用PLSToolbox包完成，采用主成分分析（PCA）探索光谱信息并检测异常值，评估了多种光谱变换方法（Savitzky-Golay平滑、标准正态变量变换（SNV）、去趋势以及Savitzky-Golay一阶和二阶导数）。回归建模采用偏最小二乘回归（PLSR）方法，通过威尼斯盲法进行6折交叉验证以确定最优潜变量数。针对S_2023和S_2024因储存条件不同导致的域漂移问题，研究人员应用外部参数正交化（EPO）方法进行校准转移，使用S_2023数据和25%的S_2024数据构建校准集，另取25%的S_2024数据（TS_A）优化EPO超参数，最后以50%的S_2024数据（TS_B）独立测试评估EPO校正模型的最终性能。

PCA探索结果显示，S_2023和S_2024数据集在PC1-PC3平面上能根据丙烯酰胺浓度进行一定程度区分，低丙烯酰胺浓度样品主要分布在PC1正轴区域，与高丙烯酰胺浓度样品（>350 μg/kg）形成分离，这与O–H伸缩振动和弯曲组合（约1940 nm、1445 nm）以及C–H相关振动区域的光谱特征密切相关。交叉验证结果表明，PLS回归模型R²值在0.65至0.87之间，RPD值最高达2.0，支持其用于半定量筛选。然而，2023年和2024年数据集之间存在明显的域漂移，PCA得分图显示两年度样品在PC1方向上清晰分离（PC1=94.35%，PC2=4.50%），这主要源于储存条件差异（非密封vs真空密封包装）导致的水分相关光谱变化，特别是1930 nm附近的O–H伸缩和弯曲组合带以及1400–1500 nm区域。

应用EPO校正后，模型稳健性得到改善，外部预测性能有所提升。D1、D2和D3的最优主成分数分别为12、12和5。校正后的EPO-PLS模型校准R²为0.80–0.87，交叉验证R²降至0.59–0.76，外部预测R²为0.43–0.53，预测RMSE为39.1–53.8 μg/kg，其中D3表现最佳（R²=0.53，RMSE=39.1 μg/kg）。尽管模型在预测方面表现中等，但所得预测RMSE略高于SEL（18.6 μg/kg）的两倍，表明适用于快速筛选和过程反馈。

在工业适用性方面，研究人员讨论了各设备在at-line或in-line实施中的潜力。D3设备虽采集时间较长（约30秒），但具有灵活性，可通过光纤探头实现固体样品的点分析，通过优化参数可将采集时间缩短至约10秒。D2设备作为at-line方案，每10秒可采集一个光谱，但不适合传送带上方安装。D1设备由于工作距离可在80–600 mm范围内调节，总采集时间仅约2秒，被认为是最适合in-line实施的仪器，但需解决传感器头与传送带上完整饼干的精确对准问题。

本研究的主要结论表明，VNIR/FT-NIR光谱结合机器学习方法可用于饼干生产中丙烯酰胺的快速筛选，作为PAT工具支持QbD框架下的主动质量控制。虽然尚不能完全替代法规合规中的参考方法，但该技术能提供快速筛选和过程反馈能力。未来研究需扩展校准数据集以涵盖更多产品类型、加工条件和生产线，并将模型验证从研磨样品推广至完整饼干的模拟或实际在线条件，包括不同取向和传送带速度等因素，以开发更适合工业部署的稳健模型。