论文部分内容阅读
稻米、花生和小麦等是中国及世界各国消费的重要农产品作物,但它们极易在收获和贮藏中遭受真菌侵染。现有的传统检测农产品真菌污染的方法通常是耗时的,并且对样品产生了破坏,使样品不可能进行大规模的无损检测和实时分析。已有大量研究表明,农产品在遭受微生物污染时释放的挥发物会发生明显变化,因此,可检测农产品释放的挥发物对农产品的真菌侵染情况进行诊断和预测,而电子鼻和顶空气相色谱-离子迁移谱（headspace-gas chromatography ion-mobility spectrometry,HS-GC-IMS）两种检测技术均是可以通过检测样品的挥发物成分来表征样品的状态。因此,本研究主要基于电子鼻与HS-GC-IMS技术对受不同真菌侵染的稻米、花生和小麦的挥发物信息进行检测,并结合化学计量学方法实现不同种类真菌的鉴定区分和真菌生长曲线及数量的预测,分析相应挥发物的变化,初步阐明电子鼻和HS-GC-IMS技术实现不同真菌种类区分和菌落总数预测的机理,并进行了实际应用的验证。主要研究内容和结论如下:1)采用电子鼻和气质联用（gas chromatography-mass spectrometry,GC-MS）技术检测了受不同曲霉属真菌侵染的稻米样品,分析了受不同曲霉属真菌侵染的稻米释放的挥发物差异性,对各试验组的电子鼻响应差异性进行了分析,并利用Logistic模型拟合了真菌生长状况,采用主成分分析（PCA）、偏最小二乘回归（PLSR）、反向传播神经网络（BPNN）、支持向量机（SVM）和学习向量量化（LVQ）进行定性分类和定量回归。研究发现,受真菌侵染稻米释放的挥发物（如1-辛醇和十四烷等）在贮藏期间的含量变化与真菌种类、数量以及电子鼻的传感器响应信号密切相关。受亮曲霉、烟曲霉和棒曲霉侵染稻米的电子鼻信号进行主成分分析后的得分图中重心x轴值（PC1）与菌落总数具有较高的相关性,并根据PC1能成功预测三种真菌的生长状况。基于电子鼻信号结合BPNN建立的分类模型对贮藏2天的受真菌侵染稻米具有较高的分类准确率。2)采用HS-GC-IMS和电子鼻技术检测了受真菌侵染不同水平（健康和霉变）的稻米样品,并采用PCA、K-最近邻法（K-nearestneighbor,KNN）和偏最小二乘法（partialleast-squares regression,PLSR）方法比较了两种技术的优劣。同时,对HS-GC-IMS技术检测出的不同样品挥发物差异进行了比较。研究发现,在构建的KNN分类模型中,HS-GC-IMS和电子鼻方法均得到了良好的分类准确率,这两种方法均适合于稻米样品中真菌污染的快速筛选。在构建的PLSR预测模型中,HS-GC-IMS和电子鼻技术均展示了良好的性能,但是HS-GC-IMS方法结合PLSR建立的回归模型具有最好的预测结果。稻米样品贮藏第1天时,受不同真菌侵染稻米样品释放的挥发物组分种类和含量差异较大,其中受烟曲霉侵染的稻米中2-戊酮单体和二聚体的峰强度最高,而在受棒曲霉侵染的稻米样品中2-丁酮单体、2-丁酮二聚物和戊醇单体等峰强度最高。3)采用HS-GC-IMS和荧光光谱技术对受潜在产黄曲霉毒素真菌污染的花生籽粒进行快速检测,并对两种不同来源的信号进行了数据集和特征集融合,比较了采用不同的数据融合方法构建的分类和回归模型的性能。研究发现,在三种数据融合方法中,使用前10个主成分的特征级融合数据构建的正交偏最小二乘判别（orthogonal partial least squares discrimination analysis,OPLS-DA）模型对受产黄曲霉毒素真菌和不产黄曲霉毒素真菌污染的花生籽粒分类率最好,且基于HS-GC-IMS技术在样品贮藏3天后就可以区分出产黄曲霉毒素和不产黄曲霉毒素的两类真菌污染。使用前10个主成分的特征级融合数据构建的PLSR模型预测性能也达到最佳,融合数据的建模效果较单独数据的建模效果有一定的提高。对HS-GC-IMS检测结果进行特征挥发物分析,发现受产黄曲霉毒素真菌和不产黄曲霉毒素真菌污染的花生籽粒释放的8种特征挥发物含量具有显著差异,可以作为区分产黄曲霉毒素真菌和不产黄曲霉毒素真菌的生物标记物。4)采用HS-GC-IMS技术结合非靶向光谱指纹或靶向特征标记法的特征提取方法对小麦样品中的不同属真菌种类进行定性区分,并定量预测小麦样品中黄曲霉、黑曲霉、溜曲霉和岛青霉的菌落总数。采用遗传算法优化的支持向量机（genetic algorithm optimized supportvectormachine,GA-SVM）、随机森林（Random Forest,RF）和 PLSR 算法建立了小麦样品的分类和回归模型,并比较了它们构建的模型性能。此外,还进行了检测模拟实际小麦样品中黄曲霉侵染比例的验证实验。研究发现,基于非靶向光谱指纹法和特异性标记法的GA-SVM分类模型均获得了令人满意的分类结果,但是基于非靶向光谱指纹法的GA-SVM分类模型获得了最优的分类准确率。类似地,基于非靶向光谱指纹法的GA-SVR模型对受真菌侵染小麦样品中的菌落总数预测效果最好。对模拟样品的分析结果表明,基于非靶向光谱指纹策略的GA-SVM/GA-SVR模型对贮藏第4天的模拟受多种真菌侵染小麦样品仍能提供满意的区分和预测性能。这些结果表明,基于非靶向光谱指纹策略的HS-GC-IMS技术能够有效地快速检测小麦籽粒中可能存在的病原真菌,从而防止被真菌污染的原料进入食物链。