综述:用于食源性病原体检测、追踪与预防的人工智能:进展与未来挑战
《Food Control》:Artificial intelligence for foodborne pathogen detection, tracing, and prevention: advances and future challenges
【字体:
大
中
小
】
时间:2026年06月27日
来源:Food Control 7.0
编辑推荐:
柯森淼|张启凯|岑从南|王文|申土旭平|黄光荣|江波|余晓鹏中国浙江大学生命科学学院,杭州,310018,中国摘要复杂的全球供应链威胁着食品安全。食源性疾病病原体构成了重大的公共卫生风险。传统的控制方法效率低下、主观性强且往往不够准确。人工智能则为解决这些问题提供了强大的数据处理
柯森淼|张启凯|岑从南|王文|申土旭平|黄光荣|江波|余晓鹏中国浙江大学生命科学学院,杭州,310018,中国摘要复杂的全球供应链威胁着食品安全。食源性疾病病原体构成了重大的公共卫生风险。传统的控制方法效率低下、主观性强且往往不够准确。人工智能则为解决这些问题提供了强大的数据处理能力。我们检索了Web of Science Core Collection(2017–2026年)中的相关文献。本综述总结了200多篇研究成果,涵盖了从风险预警、快速检测、可追溯性到预防优化的全流程病原体控制环节。与以往的综述不同,我们将这四个方面整合到“从农场到餐桌”的框架中,并对各类人工智能模型进行了对比分析,同时进行了SWOT分析。人工智能能够实现快速检测(准确率超过97%,检测时间从数天缩短至数小时),通过全基因组测序提升可追溯性,还能借助物联网与光谱技术的结合实现早期预警。在预防方面,人工智能有助于设计抗菌肽并优化噬菌体疗法。不过,数据质量、模型可解释性以及工业化应用等方面的挑战依然存在。尽管存在这些障碍,人工智能仍在推动病原体控制向更智能、更主动的系统发展。未来,人工智能将助力构建从农场到餐桌的全面预防性食品控制体系。引言食品安全仍是全球面临的重大问题。在生产的各个阶段,包括生产、加工、包装、储存和运输,都可能发生污染现象,而病原微生物则是造成污染的主要原因,这大大增加了食源性疾病爆发的风险(Lang等人,2022年)。近年来,食品系统愈发复杂且全球化程度不断提高,这使得食源性疾病更难预防和控制,对全球公共卫生构成持续威胁。根据世界卫生组织的数据,每年有超过10亿例腹泻病例是由不安全的食品引发的,其中70%以上的病例与病原体污染直接相关。仅2023年,中国各疾病控制中心就记录了6,960起食源性疾病爆发事件,影响了30,237人,导致90人死亡。大多数爆发事件发生在6月至9月之间,占比达66.65%(Fan等人,2024年)。大肠杆菌O157:H7、沙门氏菌、金黄色葡萄球菌和单核细胞增生李斯特菌等病原体常见于食品加工、流通和零售环节,这些微生物可引发严重的疾病,如急性胃肠炎、败血症,甚至会导致孕妇、儿童及免疫功能低下者死亡(Y. Feng, J. Shi等人,2025年;Gallo等人,2020年)。这些病原体在食品中能存活很长时间,从几天到一年多不等,平均存活时间为16天,平均持久时间为246天,具体时长取决于环境条件(Donkor等人,2025年)。例如,单核细胞增生李斯特菌可在冷藏食品中生长,还会引发流产或新生儿感染,其跨越胎盘屏障的能力早已为人所知(Belias等人,2024年)。与此同时,金黄色葡萄球菌产生的热稳定肠毒素即便在细菌被杀死后依然存在,可引发严重的中毒性休克(M. Liu等人,2024年;Nunes Nascimento等人,2026年)。风险可通过多种途径在食品供应链中传播,主要包括生物膜形成、交叉污染以及冷链故障,这些情况多发生在畜牧业和水产养殖加工过程中。病原体常常附着在食品表面或设备上,形成牢固的生物膜群落,这类生物膜会增强病原体的感染能力以及对抗微生物药物的抵抗力,从而使污染更容易大规模扩散(Y. Li等人,2025年)。某些病原体,如沙门氏菌和弯曲杆菌,在适宜条件下生长速度极快,单个受污染的食品在储存或运输过程中数小时内就可能达到传染剂量。许多病原体还能适应恶劣环境,比如单核细胞增生李斯特菌能在冷藏食品中存活,大肠杆菌O157:H7能在酸性食品中存活,金黄色葡萄球菌则能产生热稳定毒素,即便细菌被杀死后毒素依然存在,这些特性都助力病原体快速传播。一旦发生污染,很难逆转,因此早期检测至关重要。当病原体浓度超过一定阈值时,所带来的健康和经济损失会迅速加剧(R. Gao等人,2024年)。检测食源性疾病病原体是控制疾病的关键,目前的检测方法包括传统的微生物培养技术,以及基于分子生物学、免疫分析法或生物传感器的新型快速检测技术。常见的分子生物学检测方法有PCR、热稳定性核酸扩增技术(M. R. Zhang等人,2025年)和CRISPR/Cas系统(Jiang等人,2025年);常见的免疫分析法有ELISA、侧流免疫层析法、免疫磁分离法和免疫荧光法(D. Yang等人,2023年);基于生物传感器的检测方法则包括电化学传感器、表面等离子体共振传感器、荧光传感器和压电传感器(X. Song等人,2023年;Y. Zhao等人,2024年;Y. B. Zhao等人,2024年)。许多控制措施都集中在消除生物膜上,物理方法包括高温灭菌、使用抗粘附材料(K. Yang等人,2022年)、紫外线照射以及高压处理;化学方法则利用含氯消毒剂或茶多酚(Zhang等人,2021年)、肉桂醛(Y. Liu等人,2019年)等天然物质来抑制生物膜的形成;生物方法则采用纤维素酶、蛋白酶、噬菌体以及益生菌(Chaudhary等人,2024年;Wan等人,2019年)。其他措施还包括公众教育、完善的疾病报告系统以及先进的检测技术。为克服传统方法的局限性,人工智能逐渐受到关注。人工智能是计算机科学的一个分支,它能够让机器从数据中学习、识别模式并做出决策,作为人工智能核心组成部分的机器学习又包括监督学习、无监督学习和深度学习。在食品安全领域,人工智能能够分析来自传感器、光谱数据、图像以及DNA序列的复杂数据,从而比传统方法更快、更准确地检测出病原体。已有两篇最新综述总结了人工智能在食品安全领域的应用潜力,涉及预测模型、供应链监控以及疫情调查等方面(Balakrishnan等人,2025年;Maritschnik等人,2025年)。随着全球人口和食品需求的持续增长,确保食品安全与质量变得愈发重要。虽然传统的检测方法较为可靠,但效率低下、主观性强且准确度不足,这些缺陷使得快速、高通量的检测需求难以满足(Mushtaq等人,2024年)。人工智能则为这一难题提供了可行的解决方案,通过机器学习和深度学习,人工智能能够快速分析检测数据、预测风险,并比人工方法更快得出结果,同时还能够实现自动化操作,进一步加快检测速度。基于人工智能的工具已被用于监测和预测食源性疾病的发展趋势,能够提供早期预警系统,帮助防范疫情爆发(R?hrs等人,2025年)。当人工智能与物联网技术相结合时,还能预测污染风险,并精准定位污染源头,这一能力对于在食品安全事件中迅速响应至关重要(Barthwal等人,2024年)。此外,人工智能还能处理大量复杂的数据库,为监管机构和食品行业提供更科学的决策依据(Qian等人,2023年)。本文综述了人工智能在食源性疾病病原体控制的四个关键领域的应用,即风险预警与监测、快速检测与鉴定、可追溯性与溯源,以及预防策略的优化,同时分析了当前在该领域应用人工智能的优势与面临的挑战。与仅聚焦某一方面的综述不同,本综述将这四个相互关联的领域贯穿于整个“从农场到餐桌”的链条之中,此外还通过对各类人工智能模型进行对比分析以及SWOT分析,为读者提供更为全面的视角,本综述的整体结构如图1所示。本综述是基于对Web of Science Core Collection的系统性检索完成的,检索工作于2026年6月开展,所使用的检索查询语句为:“(‘Artificial Intelligence’ OR ‘Machine Learning’ OR ‘Deep Learning’ OR ‘Neural Network’ OR ‘CNN’ OR ‘SVM’ OR ‘Random Forest’ OR ‘XGBoost’) AND (‘foodborne pathogens’ OR ‘microbial contamination’) AND (‘risk warning’ OR ‘early warning’ OR ‘predictive modeling’ OR ‘detection’ OR ‘Raman spectroscopy’ OR ‘SERS’ OR ‘hyperspectral imaging’ OR ‘electronic nose’ OR ‘biosensor’ OR ‘traceability’ OR ‘source attribution’ OR ‘whole genome sequencing’ OR ‘WGS’ OR ‘control’)”,检索范围涵盖2017年至2026年的文献,仅纳入经过同行评审的英文论文和综述,会议摘要、预印本以及非英文文献均被排除在外,去除重复文献后,共获得229条记录,其中包括169篇论文和60篇综述文章。所检索文献的年度发表趋势及地理分布情况如图2所示,图2A展示了研究周期内每年的论文发表数量,图2B则显示了全球主要国家和地区的论文产出情况。从文献计量学结果来看,中国和美国是人工智能在食源性疾病病原体控制领域研究的主要贡献国。片段摘录人工智能与食源性疾病病原体控制的数据类型人工智能能够让机器学习、推理并解决问题(Grigorescu & Zaha,2024年)。作为人工智能的一个子集,机器学习能够训练算法从数据中识别模式并做出预测(Shu等人,2021年)。在食源性疾病病原体控制领域,人工智能的应用依赖于多种类型的数据,我们所分析的人工智能方法可分为三类:监督学习、无监督学习以及深度学习,监督学习利用带有标签的数据来训练模型,用于……人工智能在食源性疾病病原体管理中的应用用于预防和控制食源性疾病病原体的人工智能应用可分为四个关键领域:风险预警与监测、快速检测与鉴定、可追溯性与溯源,以及预防策略的优化,以下将对这些领域进行阐述,并在表1中予以总结。优势人工智能的核心优势在于其能够处理海量数据、识别复杂模式、做出准确预测以及自动决策,这些特性恰好能够解决食源性疾病病原体预防和控制过程中的若干关键问题,它提升了应对食品安全事件的能力,加强了食品安全监管力度,同时也提高了风险预警水平。需要指出的是,本文所分析的大多数人工智能应用目前仍处于……结论与展望凭借其在数据处理、模式识别以及预测方面的强大能力,人工智能有望彻底改变食源性疾病病原体预防的现状,为保障食品安全提供更智能、更高效且更具主动性的解决方案。该领域的未来发展很可能会呈现以下几个趋势:(1)技术融合与平台化,未来的研究将不再局限于单一技术的进步,而是会出现“人工智能+物联网+区块链”相结合的集成平台,这类系统……CRediT作者贡献说明柯森淼:撰写——综述与编辑、撰写——初稿、可视化、研究工作。张启凯:可视化、研究工作、正式分析。岑从南:研究工作、资金筹集、数据整理。王文:撰写——综述与编辑、方法学部分。申土旭平:撰写——综述与编辑。黄光荣:撰写——综述与编辑。江波:撰写——综述与编辑、撰写——初稿、项目管理、方法学部分、资金筹集、概念设计。未引用参考文献Blackshare等人,2026年;Blackshare等人,2025年;Bocan A等人,2025年;Bonah等人,2020年;Deng等人,2025年;Feng等人,2025年;Feng等人,2025年;Gon?alves等人,2024年;Li等人,2025年;Li等人,2022年;Ma等人,2023年;Mohammad FK和Sheetal,2021年;Panahi Chegini等人,2019年;Roy等人,2024年;Zhang等人,2025年;Zhang等人,2025年;Zhang等人,2024年。利益冲突声明作者声明不存在可能影响本文研究结果的任何竞争性利益或个人关系。资金支持本项目得到了中国国家自然科学基金(项目编号32302158)、浙江省自然科学基金(项目编号ZCLZ26C2001和LQN26C200003)、浙江省“三农”与“九方”领军科技项目(项目编号2025SNJF021)以及浙江省省属高校基本科研业务费(项目编号2024YW21)的支持。利益冲突声明作者声明自己不存在任何已知的、可能影响本文研究结果的竞争性财务利益或个人关系。
生物通微信公众号
生物通新浪微博
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