| 發布日期：2024-05-31 |
在黃曲黴毒素B1(aflatoxinB1，AFB1)是一種典型的真菌毒素，它是二氫呋喃氧雜萘鄰酮的衍生物。AFB1是目前已知的化學物質中致癌性最強的一種，主要對肝髒功能造成嚴重損傷，故AFB1是國家市場監督管理總局指定的食品安全必檢指標之一。油料作物(如花生、玉米等)由於其含水率高，在儲存與加工過程中容易發生黴變，從而受到AFB1的汙染。因此，相關部門需要加大對糧油食品中AFB1的檢測力度，防止食品安全事件的發生。
目前，在食品真菌毒素的光譜快速、無損檢測應用中仍采用NIR或SERS單一技術手段。從理論角度來看，NIR反映的是電偶極矩變化引起的振動，SERS反映的是分子極化引起的振動，兩種光譜信息在分子信息表達上具有互補性。因此，有必要將兩種光譜信息進行融合，實現信息互補，以提高檢測精度。
本研究以花生油中AFB1為檢測指標，分別采集其NIR和SERS光譜，使用上海蜜桃免费观看光電蜜桃免费视频進行測試。
2.1光譜數據分析結果
以含有不同濃度AFB1的5條代表性的花生油待測樣本的SERS光譜如圖1A所示。圖1A中主要的SERS特征譜帶及其歸屬為:597cm‒1(C-O伸縮振動)、742cm‒1(C-H麵外彎曲振動)、835cm‒1(C-H伸縮振動)、1249cm‒1(C-H麵內彎曲振動)、1343cm‒1(CH3變形振動)、1486cm‒1(C=C伸縮振動)和1557cm‒1(C-C伸縮振動)。由於SERS光譜區域(500~1800cm‒1)信噪比高且包含了主要的特征譜帶，故本研究中將此區域用於AFB1的定量分析。含有不同質量濃度AFB1的5條代表性的花生油待測樣本的NIR光譜如圖1C所示。圖1C中NIR特征譜帶及其歸屬為:930~970nm(CH2與CH3一階倍頻伸縮振動)、1090~1130nm(C-H伸縮振動)、1210~1240nm(CH2二階倍頻伸縮振動)和1270~1300nm(C=O二階倍頻伸縮振動、C=O合頻振動及N-H伸縮振動)。AFB1與NIR特征譜帶有著密切關係，這是由於花生油中的蛋白質、碳水化合物以及脂肪酸易受到AFB1的影響，從而影響分子的振動。無論是NIR還是SERS光譜，在光譜采集過程中帶入幹擾信息往往是無法避免的，故需要對光譜數據進行預處理。經AIRPLS基線校正、MSC光散射校正、S-G平滑以及Min-Max歸一化處理之後的SERS與NIR光譜分別如圖1B與1D所示，與原始光譜(圖1A與1C)對比發現，預處理後的SERS和NIR光譜的基線漂移得到了抑製，光譜信號更加平滑，為後續的定量分析起到了積極的作用。
圖1.含有不同質量濃度AFB1的花生油待測樣本的SERS與NIR光譜
2.2HSIC-VSIO算法參數設置合理性驗證
對HSIC-VSIO算法參數設置合理性進行驗證:在設置不同的參數情況下，分別對NIR和SERS光譜數據篩選特征變量，並將每次篩選的特征變量進行融合建立PLSR模型，記錄RMSEC、RMSEP、和RPD值進行對比分析。
（1）WBMS中二值矩陣的行的數量M
首先，將σ的值分別設置為10%;然後，將M的值分別設置為1000、1500、2000和2500進行對比分析。由表1中的運行結果可知，模型的性能受M的影響並不大。但是，如果M的值越大，模型的計算量將顯著增大，綜合考慮模型精度與計算量，將M設置為1000是合理的。
（2）從所有模型中挑選出具有較小RMSECV值的模型的比例σ首先，將M的值設置為1000;然後，將σ的值分別設置為10%、20%、30%和40%進行對比分析。由表2中的運行結果可知，當σ=10%時，模型的性能最優。具體表現為，RMSEC和RMSEP值較小，R2C、R2P和RPD值較大，故將σ設置為10%是合理的。
2.3各方法檢測結果
將NIR光譜數據、SERS光譜數據、NIR與SERS光譜直接融合數據以及NIR與SERS光譜特征層融合數據分別構建PLSR多元校正模型檢測花生油中AFB1含量。PLSR建模過程中，最佳隱變量數(latentvariables，LVs)由5折交互驗證產生的RMSECV值所確定。各方法的檢測結果如表3所示。由表3可知，基於NIR光譜數據定量檢測結果如下:LVs=10，RMSEC=0.2812，=0.9533，RMSEP=0.3447，=0.9211，RPD=3.5601，花生油中AFB1含量PLSR預測值與真實值之間的關係如圖2A所示。基於SERS光譜數據定量檢測結果如下:LVs=8，RMSEC=0.2105，R2c=0.9726，RMSEP=0.2349，R2p=0.9689，RPD=5.6705，花生油中AFB1含量PLSR預測值與真實值之間的關係如圖2B所示。基於NIR與SERS光譜直接融合數據定量檢測結果如下:LVs=10，RMSEC=0.1923，R2c=0.9836，RMSEP=0.2117，R2p=0.9703，RPD=5.8026，花生油中AFB1含量PLSR預測值與真實值之間的關係如圖2C所示。基於NIR與SERS光譜特征層融合數據定量檢測結果如下:LVs=9，RMSEC=0.1569，R2c=0.9908，RMSEP=0.1827，R2p=0.9854，RPD=8.2761，花生油中AFB1含量PLSR預測值與真實值之間的關係如圖2D所示。由HSIC-VSIO篩選的NIR光譜特征變量如圖2E所示，其中部分特征變量覆蓋了NIR特征譜帶930~970、1090~1130、1210~1240和1270~1300nm。由HSIC-VSIO篩選的SERS光譜特征變量如圖2F所示，其中部分特征變量覆蓋SERS特征譜帶597、742、835、1249、1486和1557cm‒1。
圖2.含花生油中AFB1含量PLSR預測值與真實值之間的關係及HSIC-VSIO篩選的光譜特征變量
2.4各方法檢測結果對比分析
各方法所建PLSR模型評價指標的變化趨勢如圖3所示，顯然，由NIR光譜數據構建的PLSR模型預測性能最差，主要在於花生油中AFB1含量低，分子量小，內部含氫基團振動在近紅外區域吸收的能量低，對應的光譜信號弱，影響了其檢測精度。相較於NIR光譜數據構建的PLSR模型，由SERS光譜數據NIR與SERS光譜直接融合數據以及NIR與SERS光譜特征層融合數據所構建的PLSR模型的預測性能均獲得了提高。以NIR光譜數據構建的PLSR模型的預測性能作為基準，SERS光譜數據、NIR與SERS光譜直接融合數據以及NIR與SERS光譜特征層融合數據所構建的PLSR模型的RMSEC分別降低了25.14%、31.61%和44.20%;分別提高了2.02%、3.18%和3.93%;RMSEP分別降低了31.85%、38.58%和47.01%;分別提高了5.19%、5.34%和6.98%;RPD分別提高了59.28%、62.99%和132.47%。綜上所述，由SERS光譜數據構建的PLSR模型的預測性能明顯提高，主要在於SERS技術通過增強基底Q-SERS獲得拉曼增強效應使得花生油中痕量AFB1的信號獲得了放大，從而提高了其檢測精度。相較於采用NIR或SERS光譜單一檢測技術，將NIR光譜與SERS光譜直接融合後，實現了光譜信息的互補，有助於檢測精度的進一步提高。然而，光譜直接融合數據中包含大量的冗餘甚至幹擾變量，采HSIC-VSIO分別對NIR與SERS光譜篩選特征變量，然後將篩選得到的特征變量進行融合並構建PLSR模型，其檢測精度獲得了較大的提高。
圖3.各方法所建PLSR模型評價指標變化趨勢
2.5真實樣本檢測分析結果
從青島普瑞邦生物工程有限公司購買一批含有AFB1的花生油樣本(AFB1含量範圍為:1.0×10‒5~1.0×10‒3μg/mL)。每個樣本分別采用NIR與SERS光譜特征層融合數據構建的PLSR模型(以下簡稱光譜特征融合方法)以及標準方法(HPLC)檢測AFB1含量，檢測結果如表4所示。將兩種方法的檢測結果做雙側配對t檢驗，結果表明兩者無顯著性差異(P=0.84>0.05)。根據檢出限的計算公式3S0/K(S0為多個空白樣本響應值標準差，K為校正曲線的斜率)，可估算得到光譜特征融合方法對AFB1含量的檢出限為5.27×10‒6μg/mL。歐盟與中國設置的花生油中AFB1最大殘留限量分別為2.0μg/kg和20μg/kg。為了與上述標準進行對比，可將溶液(花生油+AFB1)密度設為1g/mL，從而實現將5.27×10‒6μg/mL粗略地轉換為5.27×10‒3μg/kg。故本研究提出的光譜特征融合方法可滿足對花生油中AFB1含量是否超標的定量檢測。
本研究提出了一種基於NIR與SERS光譜特征層融合數據構建PLSR模型實現花生油中AFB1快速、高精度檢測的方法。與NIR光譜數據、SERS光譜數據以及NIR與SERS光譜直接融合數據構建的PLSR模型相比，NIR與SERS光譜特征層融合數據構建的PLSR模型具有最佳的預測性能:RMSEC=0.1569，R2c=0.9908， RMSEP=0.1827，R2p=0.9854，RPD=8.2761。同時，將本研究方法與標準方法分別檢測真實的花生油樣本中AFB1含量，結果表明兩者的檢測性能無顯著性差異(P=0.84>0.05)，本研究方法的檢出限可換算為5.27×10‒3μg/kg，遠遠低於歐盟與中國設置的花生油中AFB1最大殘留限量2.0μg/kg和20μg/kg。綜上，實驗結果表明本研究方法可實現花生油中AFB1含量的快速、高精度定量檢測，驗證了NIR與SERS光譜融合的可行性與有效性，尤其是經特征變量篩選後，NIR與SERS光譜數據在特征層的融合能夠最大限度地提高模型的檢測精度。
文獻來源
RMS3000微型拉曼蜜桃免费视频
1、產品簡介
RMS3000是一款微型的 785 nm 同軸共聚焦拉曼蜜桃免费视频。其采用全空間光設計，優化散熱接口，采用 N.A0.11 數值孔徑激發采集光路。
支持 Windows、Linux 和 Windows 多種操作平台和主控係統，隨機配備手機端（Andorid）和電腦端采集分析軟件。具備非凡的分辨率、靈敏度、穿透能力和抑製熒光幹擾能力。
既可以單獨使用也可以作為核心部件集成進拉曼自動化係統，滿足科研院所、相關監管機構與企業在無機/有機
