天然花青素基比色传感器阵列用于大豆中黄曲霉毒素B1的快速定量检测

《Journal of Stored Products Research》：Rapid quantitative detection of aflatoxin B1 in soybeans using a natural anthocyanin-based colorimetric sensor array

　　

大豆在运输和储存过程中易受黄曲霉毒素B1（aflatoxin B1, AFB1）污染，对产后品质和食品安全构成潜在风险。传统的色谱法和免疫学方法虽然能够提供可靠的AFB1定量结果，但其对专用仪器、训练有素的操作人员以及复杂样品前处理的依赖，限制了其在快速定量检测大豆样品中AFB1的应用。本研究开发了一种基于天然花青素的比色传感器阵列（colorimetric sensor array, CSA），用于大豆中AFB1的快速定量检测。研究人员利用九种天然花青素染料制备了3×3的CSA，并通过不同AFB1含量的大豆样品释放的挥发性有机化合物（volatile organic compounds, VOCs）诱导其产生颜色响应。研究人员提取暴露前后的RGB颜色差异作为特征变量，并利用蚁群优化算法（ant colony optimization, ACO）和蝴蝶优化算法（butterfly optimization algorithm, BOA）筛选对反向传播神经网络（backpropagation neural network, BPNN）建模有贡献的颜色特征。最优模型采用ACO筛选出的八个颜色特征，预测相关系数（prediction correlation coefficient, RP）达到0.9722，预测均方根误差（root mean square error of prediction, RMSEP）为3.1819 μg/kg。这些结果表明，VOC诱导的颜色响应能够有效表征大豆样品中与AFB1相关的差异。所提出的基于花青素的CSA为大豆中AFB1的快速定量检测提供了一种低成本、环保且可视化的方法，在产后质量控制和储存安全监测中具有潜在应用价值。

论文解读：天然花青素基比色传感器阵列在大豆AFB1快速定量检测中的应用

研究背景与意义

大豆作为全球重要的植物蛋白和食用油来源，其供应链涵盖了收获、运输、储存及加工等多个环节。在此过程中，高温高湿环境极易诱发真菌生长并产生真菌毒素，其中黄曲霉毒素B1（AFB1）因具有极强的毒性和致癌性而备受关注。尽管传统的气相色谱、高效液相色谱（HPLC）及酶联免疫吸附测定（ELISA）等方法准确性较高，但往往面临仪器昂贵、操作复杂、样品前处理繁琐以及对操作人员专业度要求高等瓶颈，难以满足现场快速检测的需求。此外，传统比色传感器常用的卟啉类材料存在毒性，可能对操作人员和样品造成二次污染。因此，探索一种无毒、低成本且高效的新型检测方法具有重要的现实意义。

针对上述问题，研究人员提出了一种基于天然花青素的比色传感器阵列（CSA）技术。该技术利用大豆在不同AFB1污染程度下释放的挥发性有机化合物（VOCs）成分差异，诱导对环境变化极为敏感的花青素发生颜色改变，从而将气味信号转化为可视化的光学信号，实现对AFB1含量的快速、无损定量分析。

关键技术方法

为实现上述目标，研究人员采用了多学科交叉的研究策略。首先，构建了由九种天然花青素组成的3×3 CSA，用于捕获大豆样品挥发的VOCs。随后，通过图像采集与分析提取传感器阵列在反应前后的RGB颜色特征差异。在数据建模阶段，引入了蚁群优化算法（ACO）和蝴蝶优化算法（BOA）对高维颜色特征进行降维与优选，以剔除冗余信息。最终，将筛选出的最优特征子集输入反向传播神经网络（BPNN）建立定量预测模型。在样本队列方面，研究通过人工气候培养箱诱导大豆产生AFB1，共制备了150份大豆样本，并按3:1的比例划分为训练集（113份）和预测集（37份）进行模型验证。

研究结果

大豆样本的制备与采集

研究人员从在线市场购买了总计5公斤大豆，将其均匀铺在聚丙烯托盘中，置于设定温度为30°C、相对湿度为80%的恒温恒湿箱中培养以诱导AFB1的产生。在培养的第8天，经理化分析确认大豆中产生AFB1后，开始进行首轮样本采集。

数据集划分

研究共获得150份大豆样本。为确保数据集划分的合理性，所有样本根据理化分析测定的真实AFB1含量按升序重新排列。每四个样本为一组，前三份归入训练集，最后一份归入预测集。据此，训练集和预测集分别包含113份和37份样本。

结论

本研究成功开发了一种基于天然花青素的比色传感器阵列，用于大豆中AFB1的快速定量检测。利用九种天然花青素染料构建的CSA能有效捕捉与大豆样品不同AFB1水平相关的VOC诱导颜色响应。通过将特征优化算法与BPNN建模相结合，研究人员识别出了信息量最丰富的颜色特征，其中由ACO优化的八特征组合取得了最佳的预测性能，预测相关系数（R_P）达到0.9722，预测均方根误差（RMSEP）为3.1819 μg/kg。该方法为大豆中AFB1的快速定量检测提供了一种低成本、环保且可视觉解读的新途径，在产后质量控制和储存安全监测方面具有潜在的应用前景。