《Foods》:Uncovering the Protein Conversion Potential of Alfalfa (Medicago sativa L.) and Duckweed (Lemna minor L.) Through Enzymatic Hydrolysis and Digestibility Assessment
Ingrida Pauliukaityt?,
Milita ?ygyt?,
Alvija ?ala?evi?ien? and
Karolina Almonaityt?
编辑推荐:
谷物在储存和运输过程中的真菌毒素污染对全球粮食安全构成重大威胁。传统检测方法在实时监测方面存在局限性。本研究提出了一种用于真菌毒素的紧凑型智能气体传感系统,通过分析真菌生长过程中释放的挥发性有机化合物(VOCs),实现对真菌感染玉米的无损检测,同时促进黄曲霉毒
谷物在储存和运输过程中的真菌毒素污染对全球粮食安全构成重大威胁。传统检测方法在实时监测方面存在局限性。本研究提出了一种用于真菌毒素的紧凑型智能气体传感系统,通过分析真菌生长过程中释放的挥发性有机化合物(VOCs),实现对真菌感染玉米的无损检测,同时促进黄曲霉毒素B1(AFB1)的准确定量检测。此外,研究人员开发了一种双分支卷积神经网络(DB-CNN)模型,用于深入分析VOCs信号的时空特征。该系统通过提取真菌VOCs的特征指纹图谱,在识别被禾谷镰刀菌(*Fusarium graminearum*)和黄曲霉(*Aspergillus flavus*)感染的谷物(玉米、花生、小麦和大米)时实现了100%的准确率。在定量分析中,DB-CNN表现出良好性能(RMSE = 1.0292 μg/kg,R2 = 0.9994)。此外,设计的检测系统支持无线传输,并可连接智能手机进行数据传输,从而促进数据存储和远程监控。整个检测过程在4分钟内完成。本研究为食品供应链中真菌污染的动态实时监测提供了创新的技术基础,有助于早期预警系统和质量控制措施。
**研究背景、问题与意义**
谷物在储存和运输过程中极易受到真菌毒素(如黄曲霉毒素B1,AFB1)污染,这对全球粮食安全和人类健康构成严峻威胁。传统检测方法(如液相色谱-质谱联用、酶联免疫吸附试验等)虽准确率高,但存在仪器庞大、操作复杂、无法实时在线监测等局限。挥发性有机化合物(VOCs)气体传感技术能够无损捕获真菌代谢释放的特征VOCs,是实现早期、快速检测的潜在手段,但现有研究多聚焦于真菌污染定性判别或菌落计数,缺乏通过VOCs准确定量AFB1的相关工作。为此,研究人员开发了一款集成双分支卷积神经网络(DB-CNN)的紧凑型智能气体传感系统,旨在实现对不同谷物(玉米、花生、小麦、大米)中真菌感染的高精度分类,并建立VOCs与AFB1含量之间的定量关联,为食品供应链中真菌污染的动态实时监控提供创新技术方案。该论文发表在《Foods》。
**主要关键技术方法(忽略试剂、培养及质粒构建步骤)**
研究人员采用了以下关键技术方法:(1)商用金属氧化物(MOX)传感器阵列(包括TGS2600、TGS2603、TGS2620、TGS2602、MQ-136、MQ-137),用于捕捉真菌产生的特征VOCs(如氨气、硫化氢、醇类、硫醇类);(2)基于3D打印技术的小型化气体传感系统,包含数据采集模块(主动循环气路、温湿度补偿、过滤除湿)和数据处理模块(16位ADC、树莓派Zero 2W、GPS、不间断电源);(3)双分支卷积神经网络(DB-CNN)算法模型,通过ReLU+最大池化与Sigmoid+平均池化两条并行通道分别提取时序动态特征和空间概率特征,再经特征拼接融合实现分类与回归任务;(4)智能手机APP(Android客户端),通过蓝牙/Wi-Fi实现数据无线传输、实时显示和历史追溯。样本队列来源:玉米样本采自无锡周边农业产区(品种郑单958,2024生长季),外部验证集购自安徽太阳谷食品科技有限公司(独立批次,采收季、储存时长和环境各异)。
**研究结果**
**3.1 感染禾谷镰刀菌和黄曲霉谷物样本的VOCs数据采集与处理**
气体采集模块以1 Hz采样率获取传感器阵列响应曲线,经预处理转换为18×20×1三维张量作为DB-CNN输入。每次检测包括20 min预热、3 min清洁空气吹扫、60 s样品检测及2 min恢复,全过程4 min内完成。
**3.2 感染黄曲霉玉米样本中AFB1含量检测**
采用液相色谱-串联质谱(LC-MS/MS)测定不同培养天数玉米中AFB1含量。结果显示,AFB1浓度随培养时间逐渐升高,第8天超过中国国家标准20 μg/kg,表明早期预警至关重要。
**3.3 气体传感系统与商用VOC气体检测仪校准**
将设计的传感系统与商用VOC检测仪(精度±5 ppm)对比,两者对感染黄曲霉玉米释放VOCs的测量结果高度一致,拟合曲线R2=0.9876,证实系统具备定量VOC检测能力。
**3.4 气体传感系统分类性能分析**
采集空气、乙醇(50 ppm)、新鲜玉米、感染黄曲霉玉米、感染禾谷镰刀菌玉米、感染黄曲霉大米、感染黄曲霉小麦、感染黄曲霉花生共8种气体数据,各20次。主成分分析(PCA)显示前两个主成分累计贡献99.7%方差。DB-CNN经5折交叉验证,在100次迭代后准确率100%,损失降至0.1954;分类混淆矩阵显示八类气体测试准确率均为100%。与CNN、长短期记忆网络等对比,DB-CNN在准确率、精确率、召回率、F1分数和Cohen’s kappa等指标上全面最优(均达100%)。消融实验证实双分支结构显著提升性能。SHAP分析揭示MQ-137、TGS2600、MQ-136对禾谷镰刀菌分类贡献最大;Grad-CAM热图显示两分支对时序和空间特征关注不同。该系统能有效区分不同真菌种类感染的玉米。
**3.5 气体传感系统定量检测感染黄曲霉玉米样本中的AFB1**
通过建立VOCs与AFB1的定量关系模型,DB-CNN回归预测结果Bland-Altman分析显示预测值与实际值差异主要在95%一致性界限内(+1.55, -1.43),均值差0.06,拟合优度R2=0.9994。低浓度(0~10 μg/kg)MAE为0.26 μg/kg,中浓度(10~50 μg/kg)94%预测误差在0.01~1.40 μg/kg内,高浓度(50~200 μg/kg)MAE为0.323 μg/kg。SHAP分析表明TGS2603对AFB1预测影响最大。与多种回归模型(如支持向量回归、随机森林、CNN、LSTM等)对比,DB-CNN的RMSE、MAE、CCC等指标表现最优。外部验证集(多真菌共感染玉米样本,自安徽公司采购的不同批次)中,系统检测AFB1与商用荧光定量检测仪(型号HF6500)结果偏差均小于1.9 μg/kg,在接近20 μg/kg限值时偏差低于0.7 μg/kg。与传统方法(HPLC、ELISA、LFIA等)及近年VOC-ML方法相比,该系统在检测时间(4 min)、便携性、实时监测能力方面具有明显优势。
**讨论与结论**
讨论部分指出,DB-CNN的双分支结构通过异质特征融合(稀疏显著特征与平滑分布特征)提升了泛化能力;系统对多真菌共染样本的外部验证证实了其在实际复杂场景中的鲁棒性。结论:本研究开发的气体传感系统集成DB-CNN,实现了对谷物真菌污染的高精度鉴别(准确率100%)和AFB1定量预测(RMSE=1.0292 μg/kg, R2=0.9994)。系统具有快速(4 min/样本)、支持无线传输、智能手机APP远程监控及分层预警功能,为食品供应链中真菌污染的无损、快速、准确识别与动态监测提供了创新解决方案,可推广至小麦、大米等其他谷物。