面向监管的初榨橄榄油中λ-cyhalothrin的判别与定量分析——基于近红外与傅里叶变换红外光谱

《Food Control》:Regulatory-oriented discrimination and quantification of λ-cyhalothrin in virgin olive oil using near-infrared and Fourier transform infrared spectroscopy

【字体: 大 中 小 】 时间:2026年06月19日 来源:Food Control 6.3

编辑推荐:

  农药残留控制是橄榄油市场监管监控的关键组成部分。在这项初步研究中,研究人员开发了一个面向监管的初步筛选框架,用于利用近红外(NIR)和傅里叶变换红外(FTIR)光谱对初榨橄榄油(VOO)中的λ-cyhalothrin进行判别和定量。为此,研究人员制备了220个

  
农药残留控制是橄榄油市场监管监控的关键组成部分。在这项初步研究中,研究人员开发了一个面向监管的初步筛选框架,用于利用近红外(NIR)和傅里叶变换红外(FTIR)光谱对初榨橄榄油(VOO)中的λ-cyhalothrin进行判别和定量。为此,研究人员制备了220个样品,涵盖11个浓度水平(0.1–1.4 mg/kg油),以覆盖与欧盟橄榄油中λ-cyhalothrin合规评估示例相关的浓度范围。首先分析了光谱特征,以识别NIR和FTIR区域中与λ-cyhalothrin浓度相关的特征。随后,构建了多类判别模型,将样品划分为三个研究定义的最大残留限量(MRL)相关筛选组,即低于MRL(Below-MRL)、在MRL范围内(Within-MRL)和高于MRL(Above-MRL),并进行回归建模以实现定量测定。NIR-XGBoost模型在校准集和预测集上均实现了完美的分类性能(准确率=1.0)。在定量预测方面,NIR-SVM模型表现出色(Rp2=0.909,RMSEP=0.113 mg/kg,RPD=3.349),在明确的低风险和高风险范围内预测稳定,尽管在研究定义的筛选阈值(0.37和1.11 mg/kg油)附近观察到不确定性增加。相比之下,基于FTIR的模型由于与主要甘油三酯吸收峰的光谱重叠,在判别和定量方面均表现出有限的泛化能力。总体而言,NIR光谱结合机器学习显示出作为VOO中λ-cyhalothrin快速初步筛选工具的潜力,特别是在确证性色谱分析之前。
论文解读文章

**研究背景**

橄榄油在全球营养、粮食安全及经济发展中扮演重要角色,尤其是初榨橄榄油(VOO)因其高营养价值和市场价格而备受关注。在欧盟橄榄油市场中,农药残留控制是官方监控与执法执行的关键组成部分,直接影响产品合规性、消费者信心及国际贸易。λ-cyhalothrin是一种II型拟除虫菊酯类杀虫剂,具有高脂溶性,易在橄榄油中残留,并可能引起生化紊乱、氧化损伤及神经毒性,暴露与癌症、糖尿病、中风等严重病理状态相关。传统检测方法如气相色谱(GC)和液相色谱-质谱联用(LC-MS)灵敏度高,但耗时、成本高,不适合大规模市场监管中的快速筛选。目前,关于利用振动光谱(近红外NIR和傅里叶变换红外FTIR)进行橄榄油中λ-cyhalothrin检测的研究尚属空白,现有研究多聚焦于定量预测,缺乏面向监管的初步筛选框架,且对模型可解释性、阈值附近不确定性及风险分层关注不足。因此,研究人员开展此项研究,旨在建立一种面向监管的快速筛查方法,用于VOO中λ-cyhalothrin的判别与定量分析。论文发表在《Food Control》。

**主要关键技术方法**

研究人员采用便携式NIR光谱系统(波长范围959–1705 nm)和配备金刚石衰减全反射(ATR)附件的FTIR光谱仪(波数范围4000–400 cm-1)采集VOO样品光谱。样品制备来源:有机初榨橄榄油(EVOO)购自西班牙La Palmera Bio S.L.,经CAAE认证;λ-cyhalothrin标准品购自LGC Standards。共制备220个样品,覆盖11个浓度水平(0.1–1.4 mg/kg油),按3:1划分校准集与预测集。关键方法包括:多类判别采用极端梯度提升(XGBoost)算法,结合SHapley Additive exPlanation(SHAP)分析进行模型可解释性评估;定量回归采用偏最小二乘回归(PLSR)、主成分回归(PCR)和支持向量机(SVM),通过20折交叉验证优化模型参数,并以决定系数(R2)、均方根误差(RMSE)和残差预测偏差(RPD)评估性能。

**研究结果**

**3.1 NIR光谱特征分析**
通过分析n-己烷体系中λ-cyhalothrin的NIR光谱,发现其浓度变化在1208 nm(C–H伸缩二倍频)和1705 nm(C–H伸缩一阶倍频)处引起可测的吸光度变化。在VOO样品中,尽管甘油三酯背景吸收强烈,但在1400 nm和1705 nm处仍观察到与λ-cyhalothrin水平相关的细微但系统的强度变化,证明NIR光谱中嵌入了化学信息。

**3.2 FTIR光谱特征分析**
在n-己烷体系中,λ-cyhalothrin在1590 cm-1(苯环骨架)、1077 cm-1(–CF3)和697 cm-1(C–Cl)处有特征吸收。但在VOO样品中,甘油三酯的强烈吸收(如2924、2854、1745 cm-1)掩盖了λ-cyhalothrin的特征峰,导致不同浓度样品间无明显视觉差异,表明FTIR光谱判别和定量可能具有挑战性。

**3.3 面向监管的判别分析**
基于NIR光谱的XGBoost模型在校准集和预测集上均实现完美分类(准确率=1.0,AUC=1.0),三个研究定义的筛选组(Below-MRL、Within-MRL、Above-MRL)均无错分。SHAP分析表明,NIR中最重要的波长为1398 nm、1140 nm、1404 nm、1020 nm和1216 nm,这些区域与C–H和O–H伸缩振动倍频带一致。相比之下,FTIR-XGBoost模型预测集准确率降至0.709,F1-score为0.709,AUC值在0.834–0.918之间,出现跨类别误分类。

**3.4 定量测定**
NIR-SVM模型表现最佳:校准集Rc2=0.986,RMSEC=0.044 mg/kg;预测集Rp2=0.909,RMSEP=0.113 mg/kg,RPD=3.349。残差分析显示,在明确低风险(<0.37 mg/kg)和高风险(>1.11 mg/kg)范围内残差较小(σ≤0.03 mg/kg),而在研究定义的筛选阈值(0.37和1.11 mg/kg)附近残差增大(σ=0.12 mg/kg),表明阈值附近定量不确定性增加。FTIR基模型(PLSR、PCR、SVM)预测集R2为负或接近零,RPD≈1,表明无法提取可传递的定量信息。

**总结讨论与结论**

讨论部分指出,NIR光谱结合XGBoost和SVM成功实现了VOO中λ-cyhalothrin的监管导向判别和定量预测,而FTIR由于甘油三酯强吸收的干扰表现不佳。研究定义的筛选阈值(0.37和1.11 mg/kg)基于欧盟合规评估示例的测量不确定度区间,并非官方MRL。预测不确定性在阈值附近增大的现象提示,该方法更适合初步筛查和风险分层,而非最终合规判定;临近阈值的样品应通过确证性色谱分析确认。

研究结论:
本研究利用NIR和FTIR光谱开发了一个面向监管的初步筛选框架,用于VOO中λ-cyhalothrin的判别和定量。通过将研究定义的筛选阈值与化学计量学建模相结合,提出的策略旨在支持初步的农药残留风险分层,而非官方监管分类。NIR光谱在分类和定量测定中均表现出色:NIR-XGBoost模型在Below-MRL、Within-MRL和Above-MRL类别间实现了完美判别(整体准确率=1.0),而NIR-SVM模型提供了可靠的定量预测(Rp2=0.909,RMSEP=0.113 mg/kg油,RPD>3.3)。残差分析进一步表明,在明确低风险(Below-MRL)和高风险(Above-MRL)范围内预测更稳定,而在研究定义的筛选阈值(0.37和1.11 mg/kg)附近不确定性增加。相比之下,基于FTIR的模型在判别和定量中均表现出有限的泛化性能,这主要归因于MIR区域中主要甘油三酯吸收带与λ-cyhalothrin光谱特征的重叠。总体而言,NIRS结合机器学习显示出作为VOO中λ-cyhalothrin快速初步筛选工具的潜力。然而,本研究仅基于单一人工加标的VOO基质,未建立正式的分析检测限,主要目标是评估在所研究浓度范围内监管导向筛选的可行性,而非超痕量分析定量。未来研究应包含更大、更多样化的样品集,在筛选阈值附近设置更密集的浓度水平,使用独立制备的批次,更广泛的橄榄油基质(主要包括不同非有机的实际橄榄油:EVOO、VOO、橄榄油、橄榄果渣油和精炼油),以及针对确证性色谱和质谱方法进行系统验证。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

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