论文部分内容阅读
开心果是世界四大树坚果之一，在我国年产量仅次于板栗和核桃，位居第三。开心果果仁中富含多种营养成分，受收获前、中、后期不良天气、运输、加工和储藏环境的影响，极易发霉变质。霉菌的新陈代谢活动会产生包含真菌毒素在内多种次级代谢产物，对人畜健康造成潜在威胁。黄曲霉毒素是真菌毒素中毒性最强且化学性质非常稳定的一类，包括十多种衍生物，其中黄曲霉毒素B1（Aflatoxin B1，AFB1）的分布最广泛，且致癌性和致畸性最大。开心果黄曲霉毒素污染的检测多年来一直备受人们的关注，然而在实际产业分析中仍然存在许多问题与挑战亟待解决。因此，本文针对早期研究中存在的目标物荧光强度弱、特征信号获取难和检测限高等问题开展试验，探究了溶液中AFB1、霉菌次级代谢产物（曲酸（Kojic Acid，KA）和曲酸衍生物（Kojic Acid Derivative，KAD））的荧光特性及其信号增敏方法；分析了开心果及低浓度毒素污染样品在激光照射下荧光光谱曲线的异同，以及优选了模式识别算法；提出了多路复用荧光光谱检测方法，并对比了单、双和三探头检测模式的预测效果；设计了动态LIFS平台，并评价了该系统检测多品种样品的适用性。本文的目的在于提供一种基于LIFS技术的黄曲霉毒素污染开心果的快速无损检测方法，为推进荧光光谱技术在农产品品质与安全检测分析中的应用提供理论基础。
本文的主要研究内容与结果如下：
（1）探究了溶液中AFB1、KA和KAD的吸收光谱与荧光光谱特性，并确定了最优激发波长。结果表明：KA在紫外-可见光区域没有出现明显的吸收峰，AFB1主要特征吸收峰的位置随溶剂极性的减小而出现蓝移，在水、甲醇和乙腈中的位置分别位于364、360和356nm，KAD的吸收峰在378nm处。高浓度KAD的存在会影响AFB1特征吸收峰的鉴别，使毒素主峰的位置出现红移。三维荧光光谱结果显示AFB1与KAD的荧光峰存在差异，其中AFB1在234、265和365nm三个波长激发下的荧光峰的位置均处于430nm，最优激发波长为365nm。KAD仅在375nm激发下出现一个荧光峰，位于493nm，受234和265nm紫外光（Ultraviolet，UV）激发无荧光响应。另外，与KAD相比，AFB1的荧光信号强度更容易受到溶剂类型的影响，其在80%甲醇中的信号强度远高于KAD。综上，采用深UV光源激发高浓度甲醇中的AFB1，可以降低或者消除KAD荧光信号的干扰。
（2）提出了一种基于分子包合技术的AFB1荧光信号增敏方法，并阐释了其作用机理。本文共选择三种环糊精（Cyclodextrin，CD）进行对比分析，结果表明：α-、β-和γ-CD均可以显著提高AFB1的荧光强度，但是对KAD信号强度的作用不明显。其中β-CD的增敏效果最佳，对AFB1的倍增值为7.96。溶液中的KAD会在一定程度上抑制β-CD对AFB1的荧光增强作用，但是其对AFB1的倍增值仍然高达4.68，是KAD的3.76倍。甲醇浓度对AFB1-β-CD荧光强度的影响不显著，但是高浓度的乙腈会降低其信号强度。α-、β-和γ-CD的疏水空腔可以与AFB1形成1∶1的包合物，其中AFB1-β-CD的稳定性最高，该体系的包合常数logK值为2.49。分子模拟结果表明β-CD与AFB1的亲和力最高，结合基团是AFB1分子中的呋喃环。
（3）构建了LIFS系统，研究污染AFB1开心果的荧光光谱，并确定了最优识别模型。将360nm的激光作为激发光源，搭建静态LIFS系统，检测污染5、10、20和50ppb水平AFB1的两个品种（“早熟”和“克尔曼”）的开心果样品。结果表明：两个品种未污染组（样品表面不添加乙腈溶剂和AFB1溶液）样品在400~800nm区间的平均荧光信号强度均略高于污染组样品。基于不同波段建立线性判别分析（Linear Discriminant Analysis，LDA）模型，发现400~610nm对正确识别污染样品的贡献率更大。与逻辑回归分类（Logistic Regression Classification，LRC）模型相比，结合标准正态变量变换（Standard Normal Variate，SNV）预处理方法建立的支持向量机（Support Vector Machine，SVM）模型的判别正确率更高，其中“早熟”和“克尔曼”单一品种模型的识别率分别≥92.3%和≥93.8%，混合品种模型的识别率≥98.4%，且三组模型均无假阴性误判。
（4）提出了一种多路复用光纤LIFS检测方法，并确定了最优检测模式。为采集“克尔曼”开心果样品受激后不同出射方向的荧光信号，设计了一套多路复用光纤LIFS检测装置。结果显示：不同检测模式获得的荧光强度大小顺序为：三探头＞双探头＞单探头，且三探头检测模式下对照组（样品表面只添加乙腈溶剂）与污染组样品平均光谱强度的差异最大。整体上，基于390~660nm波段二阶微分光谱数据建立的SVM模型的性能最优，其中三探头模式对低浓度AFB1（5ppb）污染样品的判别正确率最高（97.1%），其次为双探头模式（91.2%），单探头模式最低（88.2%）。单、双和三探头检测模式获取的荧光光谱数据与AFB1污染水平的相关性较高，逐步多元线性回归（Stepwise Multiple Linear Regression，SMLR）模型的预测集均方根误差（Root Mean Square Error of Prediction，RMSEP）值分别是6.7、5.7和4.4ppb，且三探头模式的定量检测限（Limit of Quantification，LOQ）最低。
（5）设计了一套动态LIFS检测系统，评价了其对不同品种AFB1污染开心果的适用性。开心果颗粒在直振器的作用下进行受控的线性运动，依次通过三探头检测单元，依靠光电开关自动完成光谱采集。本文分别采集了污染AFB1的“早熟”与“克尔曼”开心果的荧光光谱，主成分分析（Principal Component Analysis，PCA）结果显示，单一品种和混合品种对照组、未污染组与污染组样品之间存在一定的分离趋势。LDA模型可以较好地区分单一品种污染组样品，判别正确率≥91.2%，然而混合品种模型的性能略有下降（≥85.1%）。基于竞争性自适应重加权算法（Competitive Adaptive Reweighted Sampling，CARS）对174~1100nm的波长进行筛选，建立的偏最小二乘回归（PartialLeast Squares Regression，PLSR）模型对单一品种和混合品种样品中AFB1污染浓度的预测精度最高，RMSEP值均＜10.0ppb，且优选的变量数＜70。主成分光谱与相关性分析结果显示428、520和741nm三个波长与AFB1污染情况的相关性最高。
本文的主要研究内容与结果如下：
（1）探究了溶液中AFB1、KA和KAD的吸收光谱与荧光光谱特性，并确定了最优激发波长。结果表明：KA在紫外-可见光区域没有出现明显的吸收峰，AFB1主要特征吸收峰的位置随溶剂极性的减小而出现蓝移，在水、甲醇和乙腈中的位置分别位于364、360和356nm，KAD的吸收峰在378nm处。高浓度KAD的存在会影响AFB1特征吸收峰的鉴别，使毒素主峰的位置出现红移。三维荧光光谱结果显示AFB1与KAD的荧光峰存在差异，其中AFB1在234、265和365nm三个波长激发下的荧光峰的位置均处于430nm，最优激发波长为365nm。KAD仅在375nm激发下出现一个荧光峰，位于493nm，受234和265nm紫外光（Ultraviolet，UV）激发无荧光响应。另外，与KAD相比，AFB1的荧光信号强度更容易受到溶剂类型的影响，其在80%甲醇中的信号强度远高于KAD。综上，采用深UV光源激发高浓度甲醇中的AFB1，可以降低或者消除KAD荧光信号的干扰。
（2）提出了一种基于分子包合技术的AFB1荧光信号增敏方法，并阐释了其作用机理。本文共选择三种环糊精（Cyclodextrin，CD）进行对比分析，结果表明：α-、β-和γ-CD均可以显著提高AFB1的荧光强度，但是对KAD信号强度的作用不明显。其中β-CD的增敏效果最佳，对AFB1的倍增值为7.96。溶液中的KAD会在一定程度上抑制β-CD对AFB1的荧光增强作用，但是其对AFB1的倍增值仍然高达4.68，是KAD的3.76倍。甲醇浓度对AFB1-β-CD荧光强度的影响不显著，但是高浓度的乙腈会降低其信号强度。α-、β-和γ-CD的疏水空腔可以与AFB1形成1∶1的包合物，其中AFB1-β-CD的稳定性最高，该体系的包合常数logK值为2.49。分子模拟结果表明β-CD与AFB1的亲和力最高，结合基团是AFB1分子中的呋喃环。
（3）构建了LIFS系统，研究污染AFB1开心果的荧光光谱，并确定了最优识别模型。将360nm的激光作为激发光源，搭建静态LIFS系统，检测污染5、10、20和50ppb水平AFB1的两个品种（“早熟”和“克尔曼”）的开心果样品。结果表明：两个品种未污染组（样品表面不添加乙腈溶剂和AFB1溶液）样品在400~800nm区间的平均荧光信号强度均略高于污染组样品。基于不同波段建立线性判别分析（Linear Discriminant Analysis，LDA）模型，发现400~610nm对正确识别污染样品的贡献率更大。与逻辑回归分类（Logistic Regression Classification，LRC）模型相比，结合标准正态变量变换（Standard Normal Variate，SNV）预处理方法建立的支持向量机（Support Vector Machine，SVM）模型的判别正确率更高，其中“早熟”和“克尔曼”单一品种模型的识别率分别≥92.3%和≥93.8%，混合品种模型的识别率≥98.4%，且三组模型均无假阴性误判。
（4）提出了一种多路复用光纤LIFS检测方法，并确定了最优检测模式。为采集“克尔曼”开心果样品受激后不同出射方向的荧光信号，设计了一套多路复用光纤LIFS检测装置。结果显示：不同检测模式获得的荧光强度大小顺序为：三探头＞双探头＞单探头，且三探头检测模式下对照组（样品表面只添加乙腈溶剂）与污染组样品平均光谱强度的差异最大。整体上，基于390~660nm波段二阶微分光谱数据建立的SVM模型的性能最优，其中三探头模式对低浓度AFB1（5ppb）污染样品的判别正确率最高（97.1%），其次为双探头模式（91.2%），单探头模式最低（88.2%）。单、双和三探头检测模式获取的荧光光谱数据与AFB1污染水平的相关性较高，逐步多元线性回归（Stepwise Multiple Linear Regression，SMLR）模型的预测集均方根误差（Root Mean Square Error of Prediction，RMSEP）值分别是6.7、5.7和4.4ppb，且三探头模式的定量检测限（Limit of Quantification，LOQ）最低。
（5）设计了一套动态LIFS检测系统，评价了其对不同品种AFB1污染开心果的适用性。开心果颗粒在直振器的作用下进行受控的线性运动，依次通过三探头检测单元，依靠光电开关自动完成光谱采集。本文分别采集了污染AFB1的“早熟”与“克尔曼”开心果的荧光光谱，主成分分析（Principal Component Analysis，PCA）结果显示，单一品种和混合品种对照组、未污染组与污染组样品之间存在一定的分离趋势。LDA模型可以较好地区分单一品种污染组样品，判别正确率≥91.2%，然而混合品种模型的性能略有下降（≥85.1%）。基于竞争性自适应重加权算法（Competitive Adaptive Reweighted Sampling，CARS）对174~1100nm的波长进行筛选，建立的偏最小二乘回归（PartialLeast Squares Regression，PLSR）模型对单一品种和混合品种样品中AFB1污染浓度的预测精度最高，RMSEP值均＜10.0ppb，且优选的变量数＜70。主成分光谱与相关性分析结果显示428、520和741nm三个波长与AFB1污染情况的相关性最高。