《Food Control》:Container-level proof-of-concept monitoring of postharvest apple blue mold using a whole-cell biosensor array and interpretable machine learning
编辑推荐:
朱亚通|郑慕敏|关悦|陈勇|邢梦阳|田世平|邢福国|李伯强中国科学院植物研究所植物多样性与特色作物国家重点实验室,中国北京100093摘要由扩展青霉引起的苹果蓝霉病是一种严重的采后疾病,它会降低果实品质,还可能增加因展青霉素污染而带来的食品安全风险。因此,及时且无损地识别受感染的
朱亚通|郑慕敏|关悦|陈勇|邢梦阳|田世平|邢福国|李伯强
中国科学院植物研究所植物多样性与特色作物国家重点实验室,中国北京100093
摘要
由扩展青霉引起的苹果蓝霉病是一种严重的采后疾病,它会降低果实品质,还可能增加因展青霉素污染而带来的食品安全风险。因此,及时且无损地识别受感染的果实对于采后质量控制和疾病风险管理至关重要。在这项概念验证研究中,我们评估了一种基于启动子驱动的全细胞生物传感器阵列结合机器学习的方法,该方法能够在受控实验条件下,通过挥发性有机化合物引发的响应模式,对苹果蓝霉病的感染状态和感染阶段进行容器级分类。基于生物传感器响应特征构建的二分类模型能够有效区分健康样本和受感染样本。在所评估的十种算法中,光梯度提升机模型表现最佳,在保留的测试子集中,其准确率为95.2%,接收者操作特征曲线下面积为0.983。在当前内部划分的数据集中进行控制组、第2天样本和第3天样本的多类分类时,光梯度提升机也表现出最佳的整体性能,在保留的测试子集中,其准确率为96.4%,宏观平均AUC值为0.995。为了提高模型的透明度,并确定有助于区分感染阶段的启动子时间特征,我们使用了SHapley加性解释法和局部可解释模型无关解释法,这些特征包括与evgA、yeeN、elfA和frC相关的信号。这些结果证明了在受控实验条件下,将全细胞生物传感器阵列与可解释的机器学习相结合,用于无损监测采后苹果蓝霉病的可行性。虽然这种方法为早期预警和质量控制应用提供了概念验证框架,但仍需要在不同品种、储存条件以及单果检测场景中进行更广泛的验证。
引言
扩展青霉引起的蓝霉病是苹果在采后储存和运输过程中最具破坏性的真菌病害之一,会导致果实品质严重下降并造成经济损失(Li等人,2020;Chen等人,2026)。此外,扩展青霉还能产生展青霉素,从而对食品安全构成潜在威胁(Rodrigues等人,2022;Wang等人,2023)。由于早期感染往往没有症状且肉眼无法察觉(Veltman等人,2022),传统的基于外观的检查方法不仅劳动强度大,而且无法及时准确地识别出可能受感染的样本(Zhu等人,2025b)。因此,开发快速且无损的监测技术对于采后果实质量控制和疾病风险管理具有重要意义。
病原体感染会改变宿主果实的代谢状态,从而导致挥发性有机化合物的组成和释放方式发生系统性变化,而这些化合物正是无损监测采后疾病的重要信息载体(Gong等人,2022;Guo等人,2021;Zhu等人,2025b)。基于VOC的检测主要依靠气相色谱-质谱分析法,尽管该技术灵敏度很高,但成本高昂且操作复杂,这限制了其在快速筛查和在线监测中的应用(Ma等人,2023;Zanger和Eltzov,2025)。电子鼻和基于成像的检测方法则存在传感器漂移、选择性有限、稳定性不足以及对早期无症状感染敏感度低等问题(Azgomi等人,2023;Tiwari等人,2020)。相比之下,全细胞生物传感器通过利用活细胞对复杂化学环境的综合生物反应,为同时检测多种代谢物提供了一种有前景的替代方案(Guan等人,2026;Moraskie等人,2021)。尤其是多启动子全细胞生物传感器阵列,能够通过多个启动子的协同反应来捕捉VOC指纹信息,而非仅检测单一分析物(Ma等人,2023)。这类系统已被用于监测由多种病原体引起的植物疾病,如马铃薯的软腐病(Veltman等人,2022)、柑橘的绿霉病(Chalupowicz等人,2020)以及玉米和花生的黄曲霉素相关疾病(Ma等人,2023)。
近年来,各种机器学习方法在高效处理高维和非线性的VOC响应数据方面展现出显著优势(Zhu等人,2025b)。例如,基于线性判别分析、反向传播神经网络、支持向量机和径向基函数神经网络模型的电子鼻系统已被用于有效检测和识别新鲜苹果和发霉苹果(Jia等人,2019)。结合随机森林和稀疏偏最小二乘判别分析模型的生物传感器阵列,则可用于区分健康的花生和发霉的花生及玉米(Ma等人,2023)。此外,结合深度前馈神经网络模型的纸质比色阵列也被用于连续且无损地检测甜瓜表面的细菌污染情况(Jia等人,2021)。尽管传感器阵列与机器学习的组合已在农产品质量和疾病检测领域得到广泛应用,但全细胞生物传感器阵列在动态监测采后果实疾病方面的系统应用仍然较为有限。更重要的是,许多机器学习模型固有的“黑箱”特性限制了它们在实际生产环境中的应用价值(Feng等人,2024)。因此,开发兼具高预测精度和决策可解释性的智能系统,对于推进采后果实疾病的无损检测具有重要意义。
在这项概念验证研究中,我们在受控实验条件下,评估了一种基于启动子驱动的全细胞生物传感器阵列结合多种机器学习算法的方法,用以对苹果蓝霉病的感染状态和感染阶段进行容器级区分。通过系统分析不同感染阶段的扩展青霉感染苹果的动态VOC响应特征,我们还运用SHAP和LIME可解释性方法来提高模型的透明度,并确定对模型区分有作用的启动子时间特征。这项研究旨在作为概念验证,以评估将全细胞生物传感器阵列与可解释的机器学习相结合,用于无损监测苹果蓝霉病进展的可行性,同时为未来的方法优化和更广泛的验证提供依据。
章节节选
菌株与果实
扩展青霉野生型菌株T01最初是从受感染的苹果中分离得到的,其获取方法如Li等人(2015)所述。该菌株被保存在马铃薯葡萄糖琼脂培养板上,置于25℃的黑暗环境中培养。在我们之前的研究中,使用了携带dkgB、yiaG、hipB、yeeN、ygcF、frC、elfA和evgA基因融合启动子-报告基因的发光大肠杆菌菌株(Sun等人,2025)。新鲜苹果(苹果属富士品种)是从当地商业渠道购买的
扩展青霉感染期间VOCs诱导的全细胞生物传感器阵列的响应特征
如图2所示,全细胞生物传感器阵列对第2天和第3天受扩展青霉感染的苹果释放的VOCs呈现出与感染阶段相关的动态响应模式。在1-5小时的暴露期内,不同启动子对应的菌株在IF值上存在显著差异,这反映了苹果蓝霉病发展过程中VOC谱的变化。在感染的第2天,苹果表面尚未出现明显的病症症状(图
讨论
本研究表明,在受控实验条件下,将启动子驱动的全细胞生物传感器阵列与机器学习相结合,能够实现苹果蓝霉病感染状态和感染阶段的无损区分。在当前的数据集中,这一框架不仅能够区分健康样本和受感染样本,还能进一步区分控制组、第2天样本和第3天样本,从而提高了基于VOC的容器级疾病状态评估的精确度。在
结论
总之,这项研究通过概念验证表明,在受控实验条件下,将启动子驱动的全细胞生物传感器阵列与机器学习相结合,确实能够实现容器级对苹果蓝霉病感染状态和感染阶段的区分。在所评估的算法中,光梯度提升机在当前内部划分的数据集中表现最佳。SHAP和LIME分析提升了模型的透明度,并帮助确定了具有区分作用的启动子时间特征
CRediT作者贡献说明
朱亚通:写作——初稿撰写、可视化、验证、软件使用、方法设计、研究实施、正式分析、数据整理、概念构思。邢福国:写作——审阅与编辑、监督、项目管理、方法设计、概念构思。田世平:监督、项目管理、资金筹集。李伯强:写作——审阅与编辑、初稿撰写、监督、项目管理、资金筹集、概念构思。关悦:软件使用,
利益冲突声明
作者声明,他们不存在任何可能影响本文研究的已知财务利益或个人关系。
数据可用性
用于二分类和多分类机器学习分析的处理后的生物传感器响应数据矩阵以及相应的Python分析脚本已作为补充文件提供。如需更多原始实验记录,可向相应作者提出合理请求后获取。
利益冲突声明
作者声明,他们不存在任何可能影响本文研究的已知财务利益或个人关系。
致谢
作者衷心感谢Edward Sionov博士在本研究中所给予的宝贵帮助。本研究得到了中国国家自然科学基金(编号:32261133624、32302249、32372405、32430082)以及中国国家重点研发计划(2021YFD2100501/05)的支持。