利用人工神经网络(ANNs)快速准确地定量检测米类食品中的微量砷,并解决铅光谱干扰问题 作者:Murphy Carroll、Zili Gao 和 Lili He

《Foods》:Rapid and Accurate ED-XRF Quantification of Trace Arsenic in Rice-Based Foods Employing ANNs to Resolve Lead Spectral Interference Murphy Carroll, Zili Gao and Lili He

【字体: 大 中 小 】 时间:2026年03月27日 来源:Foods 5.1

编辑推荐:

  摘要:通过能量分散X射线荧光(ED-XRF)光谱法对食品中的砷(As)进行痕量定量时,会受到铅(Pb)在特征发射线处的光谱重叠的干扰。本研究采用人工神经网络(ANN)对As/Pb的光谱重叠进行统计建模和校正,从而实现了基于大米食品中砷的准确定量。校准标准品是通过将掺有As和Pb的

  摘要:通过能量分散X射线荧光(ED-XRF)光谱法对食品中的砷(As)进行痕量定量时,会受到铅(Pb)在特征发射线处的光谱重叠的干扰。本研究采用人工神经网络(ANN)对As/Pb的光谱重叠进行统计建模和校正,从而实现了基于大米食品中砷的准确定量。校准标准品是通过将掺有As和Pb的碾磨大米制成颗粒制备的,验证使用了经过认证的参考物质、商业大米食品以及掺有Pb的商业食品。砷的校准指标非常好(R2 = 0.92,校准标准误差为41.20 μg kg?1)。使用砷参考物质进行验证时,误差在可接受范围内(?19.43%),而在含有低Pb含量的商业大米食品中,有6次测定结果与参考方法一致。此外,在存在显著Pb干扰的情况下,仍能获得准确的砷预测值(绝对平均误差为14.11%)。总体而言,ANN在建模过程中对Pb的处理效果较差,无论是在校准还是验证阶段。这项工作展示了ANN在解决As/Pb光谱重叠问题上的可行性,并揭示了将其与ED-XRF结合用于食品中痕量元素定量时的优缺点。

1. 引言
砷(As)被列为环境中对人体健康构成威胁的主要物质之一,这归因于其毒性以及人类接触砷的频率[1,2]。人类通过食物摄入砷的常见途径之一是食用大米及其制品,许多监管机构认为这些食品属于高风险食品[3,4,5,6,7]。由于污染风险较高,许多监管机构最近更新或发布了关于这些食品中允许的最大砷含量的指南。许多法规规定大米及其制品中无机砷(iAs)的最大含量不得超过200 μg kg?1,特别关注iAs,因为其毒性比有机砷更强。此外,大多数监管文件还规定了针对婴儿和幼儿的食品中砷的最大允许含量,因为他们比成人更容易受到重金属毒性的影响[4,5,6,7,8,9,10]。随着人们对这些食品中砷污染风险的认识增加以及相关法规的完善,迫切需要快速的分析方法来筛查总砷含量,以便进行高通量初步分析,从而降低婴儿和幼儿通过食物摄入重金属的风险。

能量分散X射线荧光(ED-XRF)光谱法是一种原子光谱技术,可用于食品中重金属的痕量测定。该技术能够检测样品中的多种元素,因为它可以检测到特征性的X射线发射[11]。在ED-XRF中,高能入射光子撞击样品,使内层电子发生位移,从而使外层电子填充空位并释放出X射线光子[11]。这些特征性发射取决于使具有特定原子序数的元素电子发生位移所需的能量(??),然后由仪器中的探测器检测和计数[12]。由于不同元素的特征发射线具有不同的能量,ED-XRF可以同时定量从钠到镅的多种元素[13,14]。由于其快速、简单、低成本且破坏性小的优点,ED-XRF越来越多地被用于各种基质中重金属的痕量定量[15,16,17,18,19]。然而,痕量元素定量需要足够的信噪比(SNR),并且光谱干扰必须通过计算建模得到解决才能获得可靠的结果。因此,由于Pb在其最强特征发射线处存在显著的光谱重叠,使用ED-XRF进行砷的痕量测定面临重大挑战。砷和铅的特征发射线都位于约10.5 keV附近,当信号较弱时,这使得在痕量浓度下难以对砷进行定量。砷的主要发射线(Kα = 10.52 keV [22])和铅的主要发射线(Lα = 10.50 keV [22])非常接近,基于这些发射线区分这两种元素是不切实际的,因为大多数现代台式ED-XRF光谱仪在Mn Kα处的分辨率大于0.10 keV[13,15,16,19]。为了帮助校正它们主要发射线处的光谱重叠,可以使用由同一电离事件产生的次级发射线(As Kβ = 11.73 keV,Pb Lβ = 12.62 keV);然而,对于给定的电离事件,β线的激发概率远低于α线[11,23]。这导致SNR大大降低,从而影响了使用ED-XRF光谱仪在仪器检测限附近定量砷和铅的可行性。

为了在信号较弱且噪声较大的情况下提高痕量元素浓度的定量精度,可以采用化学计量数据建模系统。化学计量学利用数学模型描述样品的化学或物理性质与仪器信号之间的关系[24],使用户能够从弱信号或重叠信号中提取有意义的信息,并提高从光谱中预测分析物浓度的能力[25,26,27]。化学计量学常用于ED-XRF光谱法的定量分析。传统的线性方法,如简单线性回归、多元线性回归和偏最小二乘回归(PLSR),已被应用于ED-XRF,以实现准确的元素定量并校正各种基质中的光谱重叠[28,29,30,31]。这些模型假设分析物浓度与仪器响应之间存在严格的线性关系,但在光谱干扰显著且SNR较低(受噪声和基质背景信号影响较大)的情况下,这种假设可能不成立。因此,最近越来越多地探索使用人工神经网络(ANN)的非线性回归模型。在许多情况下,这些模型因其灵活性和建模复杂非线性关系的能力而受到青睐,与现有技术相比,它们能够产生更稳健的预测模型[26,32,33,34,35,36,37],尤其是在结合足够大的训练数据和过拟合缓解策略时[38]。ANN模型测量包含三个处理单元(输入单元、输出单元和隐藏单元)之间的权重,以最小误差将光谱与已知浓度关联起来。通过迭代训练,ANN能够学习到传统技术可能无法建立的这些变量之间的复杂关系[35]。

本研究的目的是开发一种结合ED-XRF光谱法、适当的样品制备和数据建模技术的方法,以校正As和Pb之间的光谱重叠,从而实现大米及其制品中砷的准确痕量定量。制备了掺有As和Pb的校准标准品,并通过ED-XRF光谱仪进行分析,利用ANN生成校准模型。在两种含有不同量As-Pb的样品分析情景中,实验确定了检测限(LOD)和定量限(LOQ)。然后使用经过认证的参考物质、商业大米和基于大米的食物以及掺有Pb的商业食品对方法进行了验证。通过人工神经网络建模得到的预测结果与电感耦合等离子体质谱法(ICP-MS)的定量结果进行了比较。该方法的开发将使通过ED-XRF光谱法准确测定大米及其制品中的痕量砷含量成为可能,从而实现快速、低成本且破坏性小的方法,符合当前的监管指南。此外,评估该方法在不同As-Pb浓度下的性能以及研究其在Pb检测中的应用,将揭示ANN的优缺点,为其在特定分析任务中的适用性提供见解。

2. 材料与方法
2.1. 样品和试剂
二甲基砷酸(DMA)和乙酸铅(II)三水合物购自Sigma-Aldrich(美国密苏里州圣路易斯)。用于制备校准曲线的Calrose中粒大米购自Whole Foods Market(美国德克萨斯州奥斯汀)。经过认证的参考物质(CRM)ERM-BC211米粉购自比利时Geel的联合研究中心CRMs目录(Institute for Reference Materials and Measurements)。商业大米及其制品来自美国市场的不同来源。使用前,所有样品均被研磨成粉末(中国临沂Bright Star食品机械有限公司的高速多功能粉碎机),并用研钵研磨。Calrose大米和商业样品在室温(20 °C)下储存,未使用时CRM则存放在冷冻条件(?20 °C)下。

2.2. ED-XRF仪器
使用Malvern PANalytical公司的Benchtop Epsilon 4能量分散X射线光谱仪(英国Malvern)收集所有样品的XRF光谱。Epsilon 4的最大管电压和管电流分别为50 kV和2 mA,最大功率为10 W。X射线管由银(Ag)阳极和50 μm铍窗口组成,高分辨率硅漂移探测器在Mn Kα处的分辨率为0.135 keV,最大计数率为每秒1,500,000次计数[13]。初始光谱数据收集使用了Epsilon软件(版本2.1.a,Malvern PANalytical)。

2.3. ICP-MS分析
用于模型校准和验证的Calrose大米样品、CRM和商业食品样品中的As和Pb含量在UMass Amherst质谱核心设施(RRID:SCR_019063)通过ICP-MS进行定量,该设施得到了马萨诸塞州生命科学中心和应用生命科学研究所的支持。样品制备和分析采用了官方分析化学家协会推荐的ICP-MS重金属定量方法[39]。将0.5克样品称重放入微波消化容器中,加入4毫升HNO3和1毫升30% H2O2(Sigma-Aldrich)。向每个消化容器中加入0.1毫升50 mg/L的Lu溶液(5%硝酸,Sigma-Aldrich),以评估消化过程中的潜在分析物损失。使用CEM MARS5微波消化系统(美国北卡罗来纳州Matthews)进行样品消化,程序如下:升温至145 °C,保持1分钟;升温至50 °C,保持1分钟;升温至145 °C,保持1分钟;升温至170 °C,保持10分钟;升温至190 °C,保持10分钟。消化后,样品冷却至室温,用去离子水稀释四倍,再用1%硝酸溶液稀释四倍。所有样品均重复分析两次,并按照整个样品制备方法制备样品空白。通过将Perkin-Elmer多元素认证标准品在1%硝酸中稀释,制备了As和Pb的校准标准品(0–2.75 μg/L)。使用Perkin-Elmer NexION 350D ICP-MS进行分析,以75As和208Pb作为定量参考同位素。As和Pb的浓度通过校准曲线斜率插值进行定量。用于生成ICP-MS校准曲线的认证参考标准溶液的回收百分比见补充信息(SI;表S1)。As和Pb校准曲线的LOQ通过以下公式计算:
LOQ = 10 × σSb (1)
其中σS是样品空白的标准偏差,b是校准曲线的斜率。

2.4. 样品制备和ED-XRF分析
通过向碾磨并研磨的Calrose大米(平均粒径约300 μm)中添加不同浓度的As和Pb混合物来制备校准标准品。大米准确称重后放入Falcon试管(Fisher Scientific,美国马萨诸塞州沃尔瑟姆),加入稀释的DMA和/或乙酸铅(II)三水合物溶液,并充分混合以确保均匀性。关于重金属的化学形态、工作浓度范围以及用作校准标准基质的大米的选择,详见SI第S1.1节[4,5,6,7,11,13,40,41,42]。校准品中砷(As)和铅(Pb)的最终浓度是通过重量法测定的,同时考虑了通过ICP-MS(在第2.3节中描述)确定的背景污染水平。颗粒化样品是根据之前的一项研究准备的,该研究详细探讨了这些样品制备和ED-XRF分析条件的优化[43]。添加了示踪剂的样品被称量到铝杯中(4 ± 0.2克,长度31毫米×高度7.9毫米,Premier Lab Supply,美国佛罗里达州Port St. Lucie),然后进行颗粒化处理(每个样品在10吨的压力下压30秒,直径31毫米×厚度5毫米)。每个校准品制作了三个颗粒,并使用表1中显示的条件通过ED-XRF进行了三次分析。与之前的研究[43]相比,每个颗粒的分析时间从60秒增加到了120秒,以提高特征发射线附近的信噪比(SNR)。每个标准品分析了三个颗粒,这意味着单个标准的总分析时间为1080秒。得到的光谱数据从Epsilon 4软件中导出,以便进一步的数据分析。

2.5. 神经网络(ANN)模型开发
使用前馈ANN构建了一个非线性回归模型,用于从ED-XRF光谱中同时预测砷和铅的浓度。为了生成校准模型,只包括了第2.4节中开发的校准标准作为训练数据。测试数据包括在后续章节(第2.6节和第2.7节)中讨论的数据。校准标准包括添加了砷、铅或两者都添加的样品。光谱数据经过了背景减除处理,即从每个能量通道记录的总计数中减去了通过ED-XRF仪器确定的背景计数。来自单个标准的九个经过背景校正的光谱作为一个样本输入,但在输入模型时没有进行平均处理。砷和铅的特征发射线周围的光谱区域(砷Kα/铅Lα重叠区域和铅Lβ区域)被用作模型输入,但没有明确将每个元素与其特征发射线区域关联起来。光谱区域经过迭代调整,选择了在每个特征发射线周围产生最佳校准性能的区域用于最终校准。最终用于校准模型开发的光谱区域包括10.35–10.70 keV和12.40–12.85 keV(101个通道/光谱)。网络架构包括两个全连接的隐藏层,分别有256个和128个神经元,使用了修正线性单元(ReLU)激活函数、丢弃率(p = 0.1)和全批量梯度下降训练来引入非线性并防止过拟合[44]。输出层有两个神经元,分别对应砷和铅的浓度。模型训练使用了Adam优化器(学习率=1 × 10^-5),并以测试均方根误差(RMSE)作为损失函数,在10,000个周期内进行训练。最佳模型检查点作为一种提前停止策略实现,因为模型在每500个周期时在测试数据集上进行评估,并将产生最低测试RMSE的状态保存为最终模型。从标准品中移除了残差z分数大于|2.5|的异常值,其中z分数是通过Excel 2024(Microsoft Office 2024)中的以下公式计算的:
z? = (r? - μ?) / σ?
其中z?是残差z分数,r?是计算出的残差,σ?是残差的标准差。使用|2.5|作为阈值,以确保移除极端异常值,同时保留尽可能多的有效光谱数据点,使模型能够在尽可能多的有效光谱上进行训练。异常值排除包括4个标准品(总共36个光谱),并在最终校准模型开发之前进行。排除异常值后,最终校准模型在包含252个光谱的28个标准品上进行了评估和训练。用于校准模型开发的所有标准品中砷和铅的详细浓度可以在表S2(补充信息)中找到。

所有ANN模型的开发、训练和评估都是使用Python(版本3.12.12)在Google Colaboratory环境中进行的。神经网络架构是使用PyTorch深度学习库(版本2.10.0)构建和训练的。数据预处理和操作是使用NumPy(版本2.0.2)和pandas(版本2.2.2)进行的。模型评估指标(R2、RMSE)是使用scikit-learn(版本1.6.1)计算的。

2.6. 模型评估和性能指标
为了研究信号的可变性,确定了特征发射线周围峰面积的平均值和标准差。计算了校准模型指标,包括回归线方程、线性指标和校准标准误差(SEC)以评估校准性能。
在没有真实空白样品的情况下,根据Eurachem《分析方法适用性指南》[45]中描述的方法和方程计算了ANN校准模型的实验LOD(检测限)和LOQ(定量限)。两种分析情景包括:(1)含有可检测砷且不含可检测铅的样品;(2)含有可检测砷和铅的样品,以研究在存在和不存在显著铅光谱干扰的情况下ANN的预测能力。在情景1中,准备了10个含有128.97 μg kg^-1砷添加剂的Calrose大米标准品,并通过ED-XRF进行分析。在情景2中,准备了10个含有128.97 μg kg^-1砷和208.95 μg kg^-1铅添加剂的Calrose大米标准品,并通过ED-XRF进行分析。相应的光谱被输入到ANN模型中作为测试数据以预测其元素浓度,结果使用以下方程计算LOD/LOQ:
LOD = 3 × s? / √n
LOQ = kQ × s? / √n
其中s?是预测浓度的标准差,n是报告结果时平均的重复观测次数,kQ是IUPAC设定的默认因子,相当于10%的RSD,假设在低浓度下预测的标准差是恒定的[45]。LOD/LOQ确定的偏差也使用以下方程计算:
b = (?????x - x? · c · t · u · a · l) / σ
其中b是预测偏差,?????x是所有预测浓度的平均值,x? · c · t · u · a · l是已知的砷/铅浓度。在情景1中,只计算了砷的LOD/LOQ;在情景2中,计算了砷和铅的LOD/LOQ。没有包括含有不可检测砷但含有可检测铅含量的样品,因为这种污染在大米和大米制品中并不常见。这些性能指标反映了模型依赖的限值,因为它们是通过ANN建模获得的结果的标准差计算得出的。

2.7. 验证
为了测试方法的准确性和实际应用性,获取了一个CRM(ERM-BC211)和十一种商业大米及大米制品作为验证数据点。该CRM是一种大米粉,含有260 ± 13 μg kg^-1的总砷(其中124 μg kg^-1为无机砷,119 μg kg^-1为有机砷),这是通过联合研究材料与测量研究所的高效液相色谱(HPLC)-ICP-MS确定的[46]。这些样品使用上述方法(第2.4节)制备成标准品。由于每个商业样品中的铅含量较低,四个样品被添加了不同量的铅(约75–400 μg kg^-1),并制备成标准品。从四个商业样品中制备了三个标准品,生成了十二个额外的验证数据点。样品被颗粒化并通过ED-XRF进行分析,然后导出到适当的软件中,并按照上述方法进行处理。光谱数据被输入到ANN模型中作为测试数据,报告的预测值代表单个标准品的砷和铅的平均预测值(n = 9)。通过比较实际和预测的砷和铅浓度来评估模型在验证样品中的性能准确性,根据FDA监管事务办公室的方法、方法验证和验证指南[47],实际值和预测值之间的预定义误差±20%被认为是可接受的。在确定未掺杂商业样品的铅误差时,由于铅含量较低,计算的是实际误差(μg kg^-1)而不是百分比误差%。计算了每个商业食品类别的平均误差和中位数误差,以研究和比较在不同砷和铅浓度下的预测能力。

3. 结果和讨论
3.1. 研究中使用的所有大米样品的ICP-MS分析
表2显示了在开发校准标准品时使用的未掺杂Calrose大米样品中砷和铅的ICP-MS测定结果。总砷的定量远高于铅的定量,并且接近之前报告的美国各地种植的大米中总砷污染的平均值[40]。这些Calrose大米样品中的总砷测定值,特别是第2个样品的平均测定值为87.82 μg kg^-1,使得该方法能够符合当前的监管指南用于砷和铅的检测,因为这个值低于大多数当前监管文献中的最大允许限值[4,5,6,7]。在所有校准标准品中添加了砷和铅后,这些测定值被考虑并包含在最终已知浓度中。表2还显示了用于验证目的的CRM和商业大米/大米制品中的ICP-MS测定结果。CRM被分析以量化其未知的铅含量,然而其平均砷测定值(263.63 μg kg^-1)与认证参考值(260 μg kg^-1总砷)相比,表明了方法的准确性。获得了多种针对普通人群或婴幼儿消费的大米制品,以确定该方法在不同大米基质中的适用性。这些产品含有不同范围的砷含量(56.84–296.72 μg kg^-1),这非常适合让ANN模型展示其在广泛浓度范围内的预测能力。十一个商业样品中有十个的铅含量低于方法的LOQ,为了展示模型在更广泛铅浓度范围内的预测能力,选择了四个不同基质的商业样品并添加了不同量的铅,这些铅的浓度范围与砷的浓度范围相似。

3.2. 校准品的ED-XRF光谱
仅添加了砷、仅添加了铅或同时添加了砷和铅的校准品通过ED-XRF进行了分析。图1显示了仅添加了砷(图1A)或仅添加了铅(图1B)的选定校准品的平均光谱,围绕它们的特征发射线。图1A展示了该方法在检测砷方面的敏感性,因为最低浓度的标准品在其主要发射线(砷Kα = 10.52 keV [22])处产生了微弱但可识别的峰,这在图S1(补充信息)中清晰显示。含有砷的校准品的光谱显示从87.82到341.45 μg kg^-1有显著的峰重叠,而在446.65到608.57 μg kg^-1的样品中峰分离明显。关于砷Kβ发射及其在本研究中无法用于砷定量的讨论在补充信息(第S2.1节[11,22,48,49,50]中提供)。
图1. 含有:(A) 添加了砷;(B) 添加了铅的校准品的平均和背景减除后的能量色散X射线荧光(ED-XRF)光谱,围绕其特征发射线。图1B显示了添加了铅的校准品的ED-XRF光谱。在其主要发射线(铅Lα = 10.50 [22])周围,光谱显示从586.27到420.93 μg kg^-1的铅有清晰的峰分离;然而,在含有208.34到3.19 μg kg^-1铅的样品中存在显著的重叠。含有最低铅含量的样品中可识别的峰可能是由于Calrose大米样品中天然砷污染的光谱发射造成的,因为在这一能量值观察到铅和砷的光谱重叠。在12.6 keV附近观察到了一个与铅Lβ线相关的额外峰。虽然观察到了清晰的峰,但它们的强度比Lα峰弱,这可以通过过渡概率来解释,因为Lα发射事件的发生概率大约是Lβ事件的1.61倍[11]。尽管这些发射信号相对较弱,可能会导致回归模型从Lβ线准确预测铅(Pb)含量的能力下降,但由于它们与其他元素的光谱没有重叠,因此在本研究中仍被用于铅的定量分析。通过比较图1A和图1B可以发现,对于相同浓度的添加重金属,含有砷(As)的标准样品在相同发射能量(10.5 keV)下产生了更强的光谱信号。这是由于K壳层和L壳层的荧光产率(ω),即在一定激发下X射线光子被发射的概率[11]不同。虽然ω与原子序数正相关,但K壳层发射的荧光产率远高于L壳层。砷K壳层发射的荧光产率为0.549,而铅L壳层的荧光产率为0.386,因此在相同浓度的情况下,砷Kα线附近的光谱信号比铅Lα线更强。铅K壳层发射的荧光产率为0.953,产生的光谱信号也会更强,但由于从该壳层发射电子所需的能量(铅Kα = 73.89 keV [22])对于本研究中使用的ED-XRF光谱仪来说过高,无法实现[13]。

3.3. 人工神经网络(ANN)校准性能
3.3.1. 校准指标
图2显示了使用ReLU激活函数通过ANN生成的砷(A)和铅(B)的校准回归图。最终校准模型训练期间包含的光谱区域为10.35–10.70 keV和12.40–12.85 keV(101个通道/光谱)。回归曲线上的数据点代表9次预测的平均值,因为在输入ANN之前光谱数据没有进行平均处理,误差条表示校准标准内的标准偏差。砷的校准指标非常好,R2 = 0.92,SEC = 41.20 μg kg?1。这相当于相对于工作浓度范围的SEC = 6.74%,进一步证明了在整个浓度范围内观察到的砷浓度与实际浓度之间有很强的吻合度。砷校准模型的出色性能可能是由于ANN能够精确地将光谱区域与正确的元素对应起来,以及砷在其Kα线附近的检测灵敏度较高。虽然没有明确将特定于分析物的区域分配给每个元素,但ANN能够将整个浓度范围内的光谱数据与砷相关联。这表明ANN能够很好地将砷浓度与其Kα线附近的发射信号对应起来,而不会与铅Lβ线附近的发射信号产生强烈关联。ANN能够将光谱数据与砷含量相关联的另一个原因是砷在其Kα线附近的检测灵敏度较高,因为其荧光产率是铅Lα线发射的1.42倍[11]。通过所开发的方法,仪器对砷的检测非常灵敏,使得ANN即使在研究中的最低浓度下也能识别出砷的发射信号。

图2. 人工神经网络(ANN)校准曲线,比较了(A)砷和(B)铅的预测浓度与实际浓度。对于铅(图2B),校准指标较差,导致拟合优度(R2 = 0.79)和误差指标(SEC = 57.39 μg kg?1,相对SEC = 9.84%)不佳。这种校准还显示出明显的偏差,并且无法在整个浓度范围内准确地将光谱数据与铅含量相关联。在低浓度下,校准结果高估了铅的含量,预测值与实际值之间的误差高达+156.81 μg kg?1。相反,随着浓度的增加,铅含量被低估,误差高达?147.99 μg kg?1。这种偏差在其误差图中进一步凸显出来(见补充信息S2),误差值与铅浓度之间存在高度线性和负相关(R = 0.75,斜率 = ?0.3681),表明在整个浓度范围内存在显著的比例偏差和斜率压缩。这种明显的偏差和斜率压缩可能会影响ANN在未见数据中准确预测铅含量的能力,从而影响其验证评估的整体性能。

由于光谱数据输入模型进行训练的方式以及铅发射线的固有灵敏度,铅校准的性能不如砷校准。在开发校准集时,来自单个标准的9个ED-XRF光谱在输入ANN模型之前没有进行平均处理,以便模型能够训练样本内部和样本之间的变化。与传统的化学计量回归模型相比,ANN需要更多的数据来训练一个稳健的校准集,因为隐藏层中使用了大量的训练参数(包括权重和偏置)来生成输入值和输出值之间的非线性关系[38]。通过允许ANN使用未经平均处理的光谱数据进行训练,从而降低了每个数据点的信噪比(SNR),导致ANN在整个浓度范围内正确建模光谱数据与元素含量之间关系的能力下降。这些因素,加上铅在其Lα和Lβ发射线附近的固有灵敏度较低(第3.2节讨论),降低了ANN学习区分样本的微妙光谱特征的能力,尤其是在低浓度下,导致校准性能较差。

3.3.2. 实验确定的检测限(LOD)和定量限(LOQ)
表3显示了ANN校准模型计算的实验LOD和LOQ。表S3(补充信息)中提供了每种分析情景下使用的所有10个标准样品中砷和铅的确切预测浓度详情。在不存在可检测铅的情况下(情景1),砷的计算指标非常好,因为预测的低标准偏差(9.39 μg kg?1)使得砷的LOD和LOQ分别为16.26 μg kg?1和54.20 μg kg?1。这一LOD优于Tatsumi等人(2016年)和Tsuyama等人(2025年)使用高功率波长分散XRF和昂贵的全反射XRF光谱仪检测大米及大米基食品中砷的结果[16,51]。此外,这些指标略优于Chen等人(2025年)使用高功率单色ED-XRF光谱仪分析各种谷物中砷时获得的LOD(20 μg kg?1 [31])。与之前讨论的研究相比,本研究使用的是低成本、低能量的台式ED-XRF光谱仪,却实现了相当甚至更强的检测限,突显了所开发方法的灵敏度和ANN建模的精确度。然而,平均预测的砷浓度为113.69 μg kg?1,而实际值为128.97 μg kg?1(偏差 = ?15.38 μg kg?1或?11.85%),表明在存在不可检测铅的情况下,模型有轻微的低报倾向。砷的LOD/LOQ符合当前的监管指南[4,5,6,7],但在低铅含量情况下模型略微低估了砷含量,可能会影响验证结果的准确性。

表3还显示了在两种分析情景下(所有单位均为μg kg?1)ANN校准模型的检测限(LODs)、定量限(LOQs)和偏差。当两种元素都以可检测浓度存在时(情景2),表3还显示了砷和铅的LOD/LOQ测定结果。对于砷,检测和定量限与情景1的结果相似,进一步表明ANN模型能够正确地将光谱发射与相应的元素相关联(第3.3.1节讨论)。然而,所有10个样本中砷的平均预测浓度为164.90 μg kg?1(偏差 = +35.92 μg kg?1或+27.86%),表明在该砷-铅浓度范围内,模型倾向于高估元素含量,因为实际值为128.97 μg kg?1。尽管在存在显著铅干扰的情况下,预测的低标准偏差使得砷的LOD/LOQ指标较好,但这些结果受到模型在该分析情景下高估其元素含量的显著偏差的影响,表明其准确性存在浓度依赖性限制。

表S4(补充信息)显示了ANN模型在所有验证样本中对砷和铅的详细预测结果与已知值的对比。CRM(化学参考物质)对砷的测定结果一致,误差为?19.43%,表明其能够准确量化大米基基质中的微量砷。虽然这一预测值(209.50 μg kg?1)超出了CRM的不确定性阈值(260 ± 13 μg kg?1 [46]),但由于仍在用于评估所有验证结果一致性的±20%阈值范围内,因此仍被认为是有效的[47]。对于商业大米/大米基食品样本,其中铅浓度不可检测而砷浓度可检测,ANN显示实际浓度与预测浓度之间有很好的一致性(绝对平均误差 = 20.69%)。在含有较高砷浓度的样本中(154.10–296.72 μg kg?1,n = 5),所有样本的绝对平均误差均大于±20%,表明在含有较高砷且铅不可检测的商业食品中,砷含量被低估。尽管在含有高砷的样本中砷被低估,但在同时含有低砷和铅的样本中,砷的测定结果非常一致,绝对平均误差仅为9.07 μg kg?1。在含有添加铅的样本中(75.57–416.67 μg kg?1 Pb),ANN模型表现出很强的准确预测能力,绝对平均误差为14.11%,预测值与实际浓度之间的平均误差为?1.15%。在12个添加铅的样本中,有8个样本的砷测定误差小于±20%,没有样本的误差超过±30%。在含有添加铅的样本中,砷预测结果的高度一致性进一步突显了ANN在两种元素均以可检测水平存在时正确将光谱发射与相应元素关联的能力。

表4和表S4(补充信息)还显示了用于方法验证的所有样本中铅的预测结果。CRM中铅的实际浓度(5.28 μg kg?1)和11个商业样本中的10个样本的铅浓度低于计算出的LOQ(表3),表明这些结果在定量上没有意义。然而,这些样本中观察到的预测偏差进一步表明ANN无法准确量化大米基基质中的微量铅。尽管在存在显著铅干扰的情况下,砷的预测精度很高,但观察到的预测偏差表明其准确性存在局限性,这影响了其在这一砷-铅浓度范围内定量铅含量的可靠性。

3.4. 验证性能
表S4(补充信息)显示了ANN模型在所有验证样本中对砷和铅的详细预测结果与已知值的对比,而表4显示了汇总结果。CRM对砷的测定结果一致,误差为?19.43%,表明其能够准确量化大米基基质中的微量砷。虽然这一预测值(209.50 μg kg?1)超出了CRM的不确定性阈值(260 ± 13 μg kg?1 [46]),但由于仍在用于评估所有验证结果一致性的±20%阈值范围内,因此仍被认为是有效的[47]。对于商业大米/大米基食品样本,其中铅浓度不可检测而砷浓度可检测,ANN显示实际浓度与预测浓度之间有很好的一致性(绝对平均误差 = 20.69%)。在含有较高砷浓度的样本中(154.10–296.72 μg kg?1,n = 5),所有样本的绝对平均误差均大于±20%,表明在含有较高砷且铅不可检测的商业食品中,砷含量被低估。尽管在含有高砷的样本中砷被低估,但在同时含有低砷和铅的样本中,砷的测定结果非常一致,绝对平均误差仅为9.07 μg kg?1。在含有添加铅的样本中,砷的误差为+30.33%,表明预测值与实际值之间存在不一致;然而,考虑到该样本中实际的砷含量较低,这一误差仅为+17.24 μg kg?1,仍然是可以接受的。在含有添加铅的样本中(75.57–416.67 μg kg?1 Pb),ANN模型表现出很强的准确预测能力,绝对平均误差为14.11%,预测值与实际浓度之间的平均误差为?1.15%。在12个添加铅的样本中,有8个样本的砷测定误差小于±20%,没有样本的误差超过±30%。在含有添加铅的样本中,砷预测结果的高度一致性进一步突显了ANN在两种元素均以可检测水平存在时正确将光谱发射与相应元素关联的能力。

表4和表S4(补充信息)还显示了用于方法验证的所有样本中铅的预测结果。CRM中铅的实际浓度(5.28 μg kg?1)和10个商业样本中的铅浓度低于计算出的LOQ(表3),表明这些结果在定量上没有意义。然而,这些样本中观察到的预测偏差进一步表明ANN无法准确量化大米基基质中的微量铅。平均误差为+81.11 μg kg?1,表明模型一致性地高估了微量铅的含量,这与铅校准集中的观察趋势一致(图2B)。此外,在含有接近或高于计算LOQ(表3)的Pb的样品中,人工神经网络(ANN)在准确量化Pb方面的能力较弱,中位数绝对误差为35.00%。其中一个样品(Rice Cereal #2——添加了约125 μg/kg的Pb)的误差小于±20%,然而所有其他含有高于情景2 LOQ(表3)的Pb含量的样品,其预测值与实际Pb含量之间存在差异。此外,结果中还观察到了负比例偏差,因为在Pb添加的商业食品中的Pb误差图中,实际Pb含量与预测误差之间存在负线性相关(R = 0.9343,斜率 = ?0.8345)。这种偏差表明,在低浓度下Pb含量会被高估,在高浓度下会被低估,这与校准图和实验测定LOD/LOQ时发现的趋势一致(分别见第3.3.1节和第3.3.2节)。总体而言,所开发的ED-XRF-ANN方法在存在或不存在显著Pb光谱干扰的情况下,都能很好地准确量化大米基食品中的As;然而,并没有在整个浓度范围内观察到Pb的准确量化。

3.5. 强项、局限性和未来工作
本研究表明,人工神经网络(ANN)是在存在或不存在显著Pb光谱干扰的情况下,实现痕量As准确测定的有效工具。传统方法,包括基本参数和单变量或多变量线性回归工具,也被用于在各种基质中存在光谱干扰的情况下通过XRF实现As的准确量化[28,29,30,31]。虽然这些模型在高信噪比(SNR)条件下表现出有效性,其中As和Pb浓度与XRF信号之间的关系是线性的,但在低SNR环境下,当这些严格的关系难以预测且受到噪声和基质依赖的背景信号影响时,它们的性能可能会减弱。这突显了ANN建模的优势,因为它能够在低SNR环境下有效捕捉这些复杂且可能是非线性的关系。然而,上述使用基本参数进行光谱反卷积的研究[31]的一个优点是它能够准确量化谷物基基质中的As和Pb。由于ANN对Pb的建模效果较差,导致显著偏差,并且无法在整个研究浓度范围内准确关联光谱特征与分析物浓度,因此可以进一步研究使用传统或创新的化学计量数据建模方法来改进As和Pb的同时量化,从而提高方法对多种重金属在大米基基质中的鲁棒性和定量可靠性。

本研究的第二个局限性是无法区分As的不同化学形态。大多数关于这些食品中As的可操作限量的法规都指定了无机As(iAs)的限量,因为已知这些形态比有机As更具毒性[4,5,6,7]。因此,该方法可用于这些食品中总As的初步筛查,以帮助评估可能需要进一步形态分析来确认iAs水平是否符合当前法规指南的样品。未来的研究可以探索额外的样品制备技术以实现As的化学形态分析;然而,目前的工作仍然是一种快速、经济且准确的工具,适用于大米基食品中总As的筛查。

4. 结论
本研究表明,将ED-XRF与ANN建模相结合提供了一种可行的策略,可以校正As Kα和Pb Lα发射线之间的光谱重叠,从而实现大米基食品中As的准确量化。基于ANN的校准在整个评估浓度范围内表现出优异的性能,即使在痕量水平下以及存在可检测Pb的情况下也能进行准确预测。使用多种大米基食品产品的验证证实,ANN有效减轻了As-Pb光谱干扰,从而获得了可靠且稳健的As测定结果。总体而言,ANN在建模过程中表现出将光谱数据与Pb含量关联的能力较弱,导致校准指标不佳以及所有验证研究中的不准确性。这一局限性归因于大米基基质中Pb L壳层发射信号本身较弱及其低信噪比。总体而言,本工作表明,ED-XRF结合ANN建模提供了一种快速、破坏性小且经济有效的方法,适用于大米基食品中痕量As的筛查,即使存在Pb并且光谱重叠。然而,在这些基质中实现稳健的Pb定量预测仍然具有挑战性。未来的研究需要进一步改进在含有As的农业和食品产品中Pb的量化。

补充材料
以下支持信息可在以下链接下载:https://www.mdpi.com/article/10.3390/foods15071130/s1
- 额外材料和方法:S1.1. 样品制备和ED-XRF分析;
- 额外结果和讨论:S2.1. 校准标准的ED-XRF光谱;
- 表S1:用于电感耦合等离子体质谱(ICP-MS)分析的校准标准回收率;
- 表S2:用于校准模型开发的校准标准中的As和Pb浓度;
- 图S1:含有最低和最高As的校准标准的平均ED-XRF光谱(已减去背景);
- 图S2:从Pb ANN校准曲线生成的误差图;
- 表S3:在实验测定LOD和LOQ时使用的10个标准样品中As和Pb的详细预测值(单位均为μg/kg);
- 表S4:使用ANN进行As和Pb量化的所有验证样品的预测准确性;
- 图S3:从Pb添加的商业食品中Pb测定生成的误差图。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号