将拉曼光谱与机器学习相结合,用于基于生物胺特征对鱼类新鲜度进行物种特异性评估

《Food Control》:Integration of Raman spectroscopy and machine learning for species-specific assessment of fish freshness with insights into biogenic amines

【字体: 大 中 小 】 时间:2026年07月01日 来源:Food Control 7.0

编辑推荐:

  张玉欣|林新平|张苏芳|秦宁波|季超凡中国辽宁省大连市116034,大连工业大学食品科学与技术学院,海洋食品加工与安全控制国家工程研究中心,海水产品协同创新中心摘要确保鱼类品质与安全对于保护消费者健康至关重要,尤其是要避免新鲜度下降和生物胺积累问题。本研究将拉曼光谱技术与机器学习

  
张玉欣|林新平|张苏芳|秦宁波|季超凡
中国辽宁省大连市116034,大连工业大学食品科学与技术学院,海洋食品加工与安全控制国家工程研究中心,海水产品协同创新中心

摘要

确保鱼类品质与安全对于保护消费者健康至关重要,尤其是要避免新鲜度下降和生物胺积累问题。本研究将拉曼光谱技术与机器学习相结合,用于快速、无损地评估鱼类新鲜度并预测生物胺含量。研究从五种不同新鲜度阶段的鱼类中采集拉曼光谱数据,通过无监督学习和有监督学习方法结合使用,区分不同新鲜度等级和物种。光谱分析发现了明显的新鲜度标志,表现为特定拉曼谱带的强度变化,尤其是酰胺I谱带(1654 cm-1)和脂肪族C-H伸缩振动谱带(1451 cm-1),这些变化与储存过程中的蛋白质降解和脂质氧化密切相关,对新鲜度判断具有重要作用。二维相关光谱分析进一步验证了这些谱带在食物变质过程中的变化规律。与传统化学计量方法相比,机器学习模型具有更出色的分类性能,其中卷积神经网络模型的准确率高达94.80%。
在安全性评估方面,研究建立了偏最小二乘回归和支持向量回归模型来预测生物胺含量,这两种模型的预测性能都很强(Rp > 0.9)。根据组胺浓度,样本可被可靠地分为三类:高组胺含量(>50 mg/kg)、中等组胺含量(10-50 mg/kg)和低组胺含量(<10 mg/kg),其分类准确率分别为80.00%、88.23%和100.00%。总体而言,将拉曼光谱技术与机器学习相结合,为快速评估鱼类新鲜度和及早识别安全风险提供了有效方法,有助于加强水产品的质量监控与管理。

引言

鱼类因其营养价值而备受重视,全球对鱼类的需求也在不断上升。然而,加工过程往往会破坏鱼类原有的特征,使其容易受到掺假行为的影响(Kotsanopoulos等人,2021)。此外,鱼类极易变质,因此检测其新鲜度及相关化学成分也极为重要。这些挑战凸显出需要有效的、可靠的分析方法来确保鱼类产品的真实性、品质和安全性。
目前,鱼类品质评估依赖多种传统分析方法,包括基因技术、生化检测以及基于质谱的组学分析(He等人,2022)。尽管这些方法能提供准确的结果,但往往耗时较长,操作步骤繁琐,且需要对样本进行破坏性处理。因此,亟需开发快速、无损、操作简便的检测方法,以确保鱼类产品的真实性、品质和安全性。近年来,一些以无损检测和简单样品准备为特点的光谱技术,在食品安全和品质评估领域展现出巨大潜力。其中,拉曼光谱技术因样品制备简单且对水分干扰敏感度低,受到了众多研究人员的关注。
拉曼光谱技术已被应用于鱼类分析。以往的研究表明,该技术可用于根据养殖方式快速分类冷冻鱼片(Ra?kovi?等人,2016),还能通过脂肪酸组成差异区分新鲜鱼与解冻鱼(Velio?lu等人,2015)。不过,其在鱼类真伪鉴定和物种鉴别方面的更广泛应用仍需进一步探索,部分原因是传统的化学计量方法难以捕捉到那些细微但重要的光谱变化。随着数据科学领域的进展,尤其是机器学习的应用,拉曼光谱的分析能力得到了提升,其区分精度更高,模型过拟合现象也有所减少(Hong等人,2023)。例如,有研究表明,将拉曼光谱技术与机器学习相结合,可显著提高对储存过程中品质变化的预测精度(Qin等人,2020;Ren等人,2023;Zhong等人,2021)。目前,这类应用主要还停留在模式识别阶段,很少有人尝试将拉曼光谱信息与更能直接反映食物变质或安全性的生化指标相结合。
在这些指标中,生物胺是鱼类储存过程中微生物代谢和新鲜度下降的典型标志物,它能够体现微生物活动与产品质量之间的定量关系。然而,关于拉曼光谱特征与鱼类产品中生物胺含量的关联,目前研究还比较少。为填补这一空白,本研究将拉曼光谱技术、机器学习以及针对性的生物胺分析相结合,用于评估不同储存时间后的鱼类品质。通过建立光谱特征与生化变化之间的联系,本研究旨在推动基于拉曼光谱的鱼类品质评估从简单的分类向对品质劣化机制的深入理解发展。
本研究旨在探讨拉曼光谱作为快速、无损工具在通过其与生化变化的关系来评估鱼类品质方面的应用潜力。具体而言,研究了冷藏过程中日本马鲛鱼体内生物胺的积累情况以及拉曼光谱的变化,以此确定它们与新鲜度下降之间的关联。此外,研究还建立了结合拉曼光谱技术与机器学习的分类模型,用于区分不同鱼类物种和品质等级,从而为快速评估鱼类品质提供理论依据。

章节节选

原材料与化学试剂

本研究选择了中国市场上常见的五种鱼类:日本马鲛鱼(Scomberomorus niphonius)、银鱼(Hypophthalmichthys molitrix)、草鱼(Ctenopharyngodon idella)、鲤鱼(Cyprinus carpio)和蛇头鱼(Channa argus)。新鲜鱼样购自辽宁省大连市前进市场,并在冷藏条件下运送至实验室以保持品质。随后,将每条鱼的骨骼去除,提取肌肉组织。鱼片的大小为5.0 × 3.0 × 1.0 cm3

拉曼光谱分析

在本研究中,利用拉曼光谱技术监测了五种鱼类在冷藏数天期间的分子变化情况。每种鱼类的原始拉曼光谱平均值如图S1的A-E所示。由于鱼类组织中的生物基质会产生荧光干扰,因此需要对原始光谱进行预处理,才能进行更准确的分析。为此,我们采用了基线校正方法。400到1800 cm-1的频段内含有大量

结论

本研究探讨了将拉曼光谱技术与机器学习相结合用于评估鱼类新鲜度的方法,并分析了该方法与生物胺含量之间的关联。通过拉曼光谱分析,我们成功区分了不同种类的鱼类,从而实现了对其新鲜度的准确分类。研究还采用了无监督的主成分分析法和有监督的偏最小二乘判别分析法,对鱼类样本进行建模和分类,有效地评估了它们的新鲜度

CRediT作者贡献说明

张玉欣:论文撰写——初稿撰写,可视化处理。林新平:论文撰写——审阅与编辑。张苏芳:论文撰写——审阅与编辑。秦宁波:论文撰写——审阅与编辑。季超凡:论文撰写——审阅与编辑,资金筹集。

利益冲突声明

我们声明,本研究不存在任何已知的利益冲突,也没有任何可能影响研究结果的重大资金支持。
我们确认,所有署名作者都已阅读并同意本手稿的内容,而且没有其他符合作者资格但未被列入名单的人士。同时,我们也确认手稿中作者的排序已得到所有人的认可。
我们确认

致谢

本研究得到了中国国家重点研发计划(编号:2022YFD2100905)和辽宁省自然科学基金项目(编号:2024-MS-172)的支持。
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