田燕龍，王 毅，王 簫，高學(xué)軍，周加才，陸道禮，陳 斌

1.江蘇大學(xué)食品與生物工程學(xué)院，江蘇 鎮(zhèn)江 212013 2.北京京儀集團(tuán)有限責(zé)任公司，北京 100022 3.北京北分瑞利分析儀器(集團(tuán))有限責(zé)任公司，北京市物質(zhì)成分分析儀器工程技術(shù)研究中心、北京市企業(yè)技術(shù)中心，北京 100095

引 言

微生物是指一切肉眼看不見或看不清的微小生物，形體微小，結(jié)構(gòu)簡(jiǎn)單，通常要用光學(xué)顯微鏡和電子顯微鏡才能看清楚[1]。微生物種類繁多、數(shù)目龐大，主要包括放線菌、細(xì)菌、病毒、真菌、立克次體、支原體等。微生物無處不在，與人類生產(chǎn)生活有著十分密切的關(guān)系。人們每天吃的饅頭、面包、泡菜等食品和喝的酸奶，以及各種酒類-調(diào)味品中的醋、醬油，都是經(jīng)過微生物發(fā)酵制作出來的。但是微生物在人們?nèi)粘Ｉ钪幸灿胸?fù)作用。比如肉、蛋，水果等食物，如果保存不當(dāng)，就會(huì)腐爛、變質(zhì)；人類感染細(xì)菌和病毒等病原微生物后就會(huì)生病乃至死亡；藥品生產(chǎn)過程中如果被有害微生物污染，其有效成分會(huì)遭到破壞，從而失去有效性。凡此種種、不勝枚舉，為了防范和控制微生物的危害，微生物的快速、準(zhǔn)確檢測(cè)變得尤為重要。

目前常用的微生物檢測(cè)技術(shù)，主要包括傳統(tǒng)生化方法、色譜技術(shù)、顯色培養(yǎng)基技術(shù)、鏈?zhǔn)椒磻?yīng)檢測(cè)技術(shù)、核酸探針檢測(cè)技術(shù)、電阻抗檢測(cè)技術(shù)和免疫分析檢測(cè)技術(shù)等[2-3]。這些技術(shù)雖然檢測(cè)準(zhǔn)確度很高，但都存在一定的局限性，或者前處理步驟復(fù)雜、時(shí)間長(zhǎng)、檢測(cè)結(jié)果假陽性率偏高，或者儀器設(shè)備昂貴、對(duì)檢測(cè)環(huán)境要求高，均不適合快速檢測(cè)。因此探尋一種準(zhǔn)確、簡(jiǎn)便、快捷的分析技術(shù)具重要意義。近紅外光譜(NIRs)技術(shù)是指利用物質(zhì)對(duì)近紅外光的選擇性吸收及其吸收強(qiáng)度來預(yù)測(cè)其成分和含量，主要用于有機(jī)物質(zhì)定性和定量分析，具有操作簡(jiǎn)單、分析速度快、對(duì)檢測(cè)人員專業(yè)要求低、分析過程無污染等優(yōu)點(diǎn)，已廣泛應(yīng)用于農(nóng)業(yè)、醫(yī)藥、食品等多個(gè)領(lǐng)域，在微生物檢測(cè)領(lǐng)域也展現(xiàn)出巨大的應(yīng)用潛力[4-5]。

1 近紅外光譜技術(shù)鑒定微生物的基本原理

近紅外光是指位于780～2 500 nm(12 820～4 000 cm-1)范圍的電磁波，NIRs主要測(cè)量分子振動(dòng)的倍頻及合頻吸收，包含了絕大多數(shù)類型有機(jī)物組成和分子結(jié)構(gòu)的豐富信息。所有的生物系統(tǒng)都是由水、核酸、蛋白質(zhì)、糖類和脂類組成的，其中的核酸(RNA和DNA)、蛋白質(zhì)(多肽)、糖類和脂類是由分子量小于500的單體通過聚合作用形成的大分子，統(tǒng)稱為生物大分子[6]。NIRs技術(shù)通過讀取微生物菌體細(xì)胞壁、細(xì)胞膜及細(xì)胞內(nèi)生物大分子和水的化學(xué)鍵振動(dòng)情況，提供整個(gè)微生物菌體生化組成成分的光譜定性定量信息，因此可以區(qū)分生化信息上的差別[7-8]。此外，由于倍頻與合頻吸收強(qiáng)度弱、吸收帶較寬且重疊嚴(yán)重，導(dǎo)致NIRs解析困難，必須結(jié)合化學(xué)計(jì)量學(xué)技術(shù)，才能實(shí)現(xiàn)對(duì)微生物的檢測(cè)[9]。

2 近紅外光譜技術(shù)在微生物研究中的應(yīng)用

2.1 國(guó)外近紅外光譜技術(shù)檢測(cè)微生物的研究發(fā)展?fàn)顩r

2.1.1 微生物分類

馬里蘭大學(xué)帕克分校的Rodriguez-Saona等利用氧化鋁多孔膜富集細(xì)菌，在光譜信息豐富的1 667～2 500 nm(6 000～4 000 cm-1)區(qū)域進(jìn)行主成分分析(PCA)，最早用NIRs實(shí)現(xiàn)了大腸桿菌HB101、大腸桿菌ATCC 43888、大腸桿菌1224、淀粉酶樣芽孢桿菌、銅綠假單胞菌、蠟樣芽孢桿菌、伊諾卡氏李斯特菌等細(xì)菌的鑒定[7-8,10]。在此基礎(chǔ)上，他們又實(shí)現(xiàn)了NIRs對(duì)1×105CFU·mL-1濃度大腸桿菌、銅綠假單胞菌、枯草芽孢桿菌、蠟樣芽孢桿菌、蘇云金桿菌等菌株的快速檢測(cè)和鑒定[11]。

Alexandrakis等選擇700～900 nm(14 286～11 111 cm-1)的波長(zhǎng)范圍進(jìn)行建模，對(duì)英諾庫亞氏李斯特菌FH、乳酸乳球菌、熒光假單胞菌、門多西納假單胞菌、惡臭假單胞菌進(jìn)行鑒別，發(fā)現(xiàn)偏最小二乘(PLS)方法能夠?qū)崿F(xiàn)菌屬水平上5種細(xì)菌共127個(gè)樣本100%的正確判別[12]。Feng等采用競(jìng)爭(zhēng)性自適應(yīng)重加權(quán)采樣(CARS)技術(shù)，僅選擇3個(gè)波長(zhǎng)就實(shí)現(xiàn)了對(duì)濃度為1×109CFU·mL-1的大腸桿菌和因諾氏李斯特菌在菌種和菌株水平上的分類[13]。Sivakesava等分別使用傅里葉變換紅外光譜(FT-IRs)和傅里葉變換近紅外光譜(FT-NIRs)對(duì)5種不同微生物進(jìn)行了鑒別，發(fā)現(xiàn)FT-NIRs的樣品制備過程更加簡(jiǎn)單，但是在典型變量分析時(shí)需要更多的主成分?jǐn)?shù)，而且只能在菌屬水平上對(duì)5種微生物進(jìn)行分類，不能在菌種水平上對(duì)5種微生物進(jìn)行分類[14]。Krepelka等提出了一種FT-NIRs曲線擬合方法，該算法將光譜分解為特定的吸收峰，簡(jiǎn)化了光譜，提高了對(duì)細(xì)菌種類的預(yù)測(cè)能力[15]。Lima等利用FT-NIRs方法結(jié)合多元分析快速鑒別了產(chǎn)碳青霉烯酶肺炎克雷伯菌和不產(chǎn)碳青霉烯酶肺炎克雷伯菌[16]。

2.1.2 食源性微生物檢測(cè)

食源性致病菌是引起食源性疾病的首要原因，全球每年發(fā)生高達(dá)1.5億的腹瀉病例中，有70%是由各種致病性微生物污染食品所引起，因而快速、簡(jiǎn)便、特異的致病微生物檢測(cè)方法成為研究熱點(diǎn)[17]。

使用NIRs法可以實(shí)現(xiàn)對(duì)肉類腐敗程度的檢測(cè)[18-22]。Alexandrakis等利用NIRs和化學(xué)計(jì)量學(xué)檢測(cè)和鑒定了接種在雞胸肉上的選定細(xì)菌，發(fā)現(xiàn)NIRs可以檢測(cè)和區(qū)分接種和未接種細(xì)菌的雞胸肉，而且可以區(qū)分新鮮和不新鮮，但是卻未能區(qū)分用于本研究接種的五種不同菌株[21]。Powell等在1 000～1 333 nm(10 000～7 500 cm-1)的光譜范圍內(nèi)，利用FT-NIRs方法實(shí)現(xiàn)了新鮮三文魚魚片與4 ℃保存9 d的魚片的分離鑒別，并利用PLS回歸預(yù)測(cè)模型，預(yù)測(cè)了9 d后的細(xì)菌數(shù)量，證明了NIRs檢測(cè)和預(yù)測(cè)魚類微生物腐敗的可行性[22]。

NIRs還能夠檢測(cè)水果蔬菜中的微生物污染物[23-25]。有研究發(fā)現(xiàn)，F(xiàn)T-NIRs方法在1 111～2 000 nm(9 000～5 000 cm-1)范圍內(nèi)可用于菠蘿果肉中1×108CFU·mL-1濃度水平大腸桿菌和腸炎鏈球菌的鑒別，認(rèn)為該技術(shù)在食品中污染物的檢測(cè)方面具有很大的潛力[23]。在700～1 100 nm(14 286～9 091 cm-1)短波區(qū)域內(nèi)，NIRs也被證明是一種快速、無損檢測(cè)卷心菜細(xì)菌污染的方法[24-25]。

此外，Cámara-Martos等使用FT-NIRs方法實(shí)現(xiàn)了對(duì)水基食品基質(zhì)中的乳酸菌以及牛奶中的大腸桿菌和銅綠假單胞菌的鑒定和定量[26-27]。Daskalov等發(fā)現(xiàn)NIRs可以成功區(qū)分保加利亞黃色奶酪是否被低濃度(1×101×103CFU·g-1)的單核增生李斯特菌污染[28]。Al-Qadiri利用短波NIRs技術(shù)，將光譜特征的變化與細(xì)菌增殖和牛奶腐敗程度相關(guān)聯(lián)，實(shí)現(xiàn)了快速、無創(chuàng)地檢測(cè)和監(jiān)測(cè)牛奶腐敗[29]。

2.1.3 糧食中產(chǎn)毒真菌檢測(cè)

據(jù)聯(lián)合國(guó)糧農(nóng)組織調(diào)查估算，全球每年受真菌毒素的污染的糧食約有25%。因污染嚴(yán)重而失去商業(yè)價(jià)值的農(nóng)作物約有2%，利用NIRs可以實(shí)現(xiàn)對(duì)產(chǎn)毒真菌的快速檢測(cè)[30-34]。Berardo等采用NIRs法快速檢測(cè)了玉米籽粒的腐敗和霉菌毒素，發(fā)現(xiàn)NIRs可以準(zhǔn)確預(yù)測(cè)真菌侵染果仁的發(fā)生率，特別是黃萎病菌侵染果仁的發(fā)生率，以及膳食中麥角甾醇和富馬菌素B1的含量[31]。Gaspardo等研究發(fā)現(xiàn)FT-NIRs方法是檢測(cè)玉米粉中富馬菌素B1和B2的一種較好的方法，可用于安全食品和污染食品的鑒別[32]。Tao等使用CARS-PLS模型對(duì)黃曲霉毒素污染玉米粒和健康玉米粒進(jìn)行了分類，當(dāng)閾值為20和100 ppm時(shí)分類的總體準(zhǔn)確率分別達(dá)到86.67%和84.44%[33]。Fernández-Ibaez等分別使用FT-NIRs儀器和色散型NIRs儀器測(cè)試了玉米和大麥籽粒中的黃曲霉毒素B1，發(fā)現(xiàn)在FT-NIRs儀器上建立的校正模型可以獲得更好的光譜信息，無需數(shù)學(xué)預(yù)處理就能得到較好的統(tǒng)計(jì)結(jié)果[34]。

2.1.4 近紅外光譜成像微生物檢測(cè)

運(yùn)用常規(guī)的NIRs技術(shù)得到的是樣品某一點(diǎn)(或區(qū)域)的平均光譜，因而是樣品組成或性質(zhì)的平均結(jié)果。利用NIRs成像技術(shù)則可以實(shí)現(xiàn)樣品空間各點(diǎn)的信息，從而進(jìn)一步得到空間各點(diǎn)的組成和結(jié)構(gòu)信息[35]。Dubois等利用近紅外化學(xué)成像技術(shù)分別在1 000～2 350 nm(10 000～4 255 cm-1)和1 200～2 400 nm(8 333～4 167 cm-1)的光譜范圍內(nèi)對(duì)沉積在特制拋光鋁卡片上的細(xì)菌細(xì)胞進(jìn)行了高通量分析[36-37]。結(jié)果表明，通過分析特定波長(zhǎng)的強(qiáng)度差異可以來識(shí)別細(xì)菌，并且可以使用離散波長(zhǎng)來區(qū)分和識(shí)別卡片中包含的各種生物體。Sun等利用高光譜成像技術(shù)先后快速測(cè)定了雞胸肉中假單胞菌和腸桿菌含量以及三文魚肉中乳酸菌的腐敗，證明近紅外高光譜成像技術(shù)是一種不需要復(fù)雜的實(shí)驗(yàn)室條件就能確定食品衛(wèi)生和檢測(cè)食品基質(zhì)上致病菌的潛在工具[38-40]。Kimmies等利用近紅外高光譜成像和多元數(shù)據(jù)分析對(duì)食源性細(xì)菌進(jìn)行鑒別，成功分離了革蘭氏陽性菌和革蘭氏陰性菌，并實(shí)現(xiàn)了顏色相似細(xì)菌的區(qū)分和致病菌與非致病菌的區(qū)分[41]。

2.1.5 其他微生物檢測(cè)

除了上述應(yīng)用外，NIRs技術(shù)在微生物檢測(cè)領(lǐng)域還有一些其他的應(yīng)用。Quintelas等在1 667～1 852 nm(6 000～5 400 cm-1)的光譜區(qū)域內(nèi)使用FT-NIRs技術(shù)對(duì)藥品中的細(xì)菌污染進(jìn)行了檢測(cè)和定量，結(jié)果表明在3種藥物制劑(隱形眼鏡液、止咳糖漿和主題消炎液)中，F(xiàn)T-NIRs能夠?qū)λ屑?xì)菌的無菌溶液和污染溶液進(jìn)行鑒別，對(duì)枯草桿菌、大腸桿菌、熒光假單胞菌、腸沙門氏菌、表皮葡萄球菌的檢測(cè)限分別為9.0，5.1，5.7，7.8和5.7 CFU·mL-1[42]。銅綠假單胞菌是醫(yī)院感染的主要原因，并且在治療的3～4 d后就會(huì)產(chǎn)生耐藥性，Marques等利用線性判別分析(LDA)和遺傳算法(GA)對(duì)銅綠假單胞菌進(jìn)行FT-NIRs分析，根據(jù)耐藥和敏感性實(shí)現(xiàn)了對(duì)臨床標(biāo)本中銅綠假單胞菌的分離[43]。Sikulu-Lord等利用NIRs檢測(cè)和鑒定了實(shí)驗(yàn)室飼養(yǎng)的雄性和雌性埃及伊蚊中兩種沃爾巴克氏體菌株(wMelPop和wMel)，發(fā)現(xiàn)NIRs可以將感染wMelPop和wMel的埃及伊蚊與未感染的野生樣本區(qū)分開，鑒別準(zhǔn)確率最低也達(dá)到了84.5%[44]。此外，Pesala等利用紅外光譜和NIRs對(duì)結(jié)核分枝桿菌進(jìn)行無創(chuàng)檢測(cè)；Saranwong等設(shè)計(jì)了一種生牛奶化學(xué)成分和總需氧菌計(jì)數(shù)的無損近紅外光譜分析系統(tǒng)[45]。

2.2 國(guó)內(nèi)近紅外微生物檢測(cè)研究發(fā)展?fàn)顩r

和國(guó)外相比，國(guó)內(nèi)關(guān)于NIRs微生物檢測(cè)的研究起步較晚，2008年劉建學(xué)等使用NIRs快速預(yù)測(cè)了原料乳中大腸菌群[46]。目前國(guó)內(nèi)關(guān)于NIRs微生物檢測(cè)的文獻(xiàn)主要集中在不同細(xì)菌分類、食源性致病菌檢測(cè)以及糧食中產(chǎn)毒真菌檢測(cè)等三方面。

2.2.1 微生物分類

河南科技大學(xué)的劉建學(xué)等在基于NIRs技術(shù)的細(xì)菌分型和鑒別方面做了大量工作。該課題組利用基于PCA的投影判別技術(shù)，檢測(cè)和識(shí)別了大腸桿菌、單增李斯特菌和沙門氏菌，54個(gè)樣本的判別正確率達(dá)到100%[47]；以NIRs結(jié)合支持向量機(jī)(SVM)實(shí)現(xiàn)了對(duì)大腸桿菌O157∶H7、單增李斯特菌、金黃色葡萄球菌(90個(gè)樣本)的100%分類鑒別[48]；采用改進(jìn)的貝葉斯判別模型(BDA)實(shí)現(xiàn)了對(duì)大腸埃希氏菌0157∶H7、單增李斯特菌和金黃色葡萄球菌3種細(xì)菌(80個(gè)樣本)100%的正確分類[49]。最近，馬凱旋等研究了大腸埃希氏菌O157∶H7、金黃色葡萄球菌、單增李斯特菌3種致病菌的不同濃度和不同培養(yǎng)階段的光譜數(shù)據(jù)，發(fā)現(xiàn)在10 CFU·mL-1的低濃度下仍然能夠?qū)崿F(xiàn)對(duì)細(xì)菌的識(shí)別；此外在對(duì)致病菌檢測(cè)時(shí)，應(yīng)對(duì)樣品的前處理進(jìn)行統(tǒng)一，以提高鑒別的準(zhǔn)確度[50]。

西北農(nóng)林科技大學(xué)的相關(guān)研究通過采集1株酵母和5株細(xì)菌標(biāo)準(zhǔn)菌株的近紅外漫反射光譜，在1 852～2 500 nm(5 400～4 000 cm-1)的光譜范圍內(nèi)采用PCA對(duì)光譜數(shù)據(jù)進(jìn)行了分析，構(gòu)建了基于FT-NIRs的微生物快速鑒定模型，這是國(guó)內(nèi)較早進(jìn)行的基于NIRs技術(shù)的細(xì)菌分型和鑒別工作。隨后，該課題組又基于FT-NIRs技術(shù)實(shí)現(xiàn)了脂環(huán)酸芽孢桿菌種間的分類鑒定。

第三軍醫(yī)大學(xué)馬寧等進(jìn)行了NIRs鑒別耐甲氧西林金葡菌和甲氧西林敏感金葡菌的研究，發(fā)現(xiàn)在900～2 200 nm(11 111～4 545 cm-1)光譜范圍內(nèi)使用NIRs結(jié)合SVM的分析方法具有精確區(qū)分耐甲氧西林金葡菌和甲氧西林敏感金葡菌的能力[51]。Mu等研究了FT-NIRs技術(shù)在不同菌種中對(duì)單個(gè)菌株進(jìn)行分類的潛力，結(jié)果表明，SVM和徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)(RBF)等非線性分類方法的分類正確率均在96%以上，優(yōu)于PLS判別分析[52]。福州大學(xué)的相關(guān)研究使用FT-NIRs技術(shù)對(duì)大腸桿菌、金黃色葡萄球菌和沙門氏菌進(jìn)行鑒別，結(jié)果表明反向傳播神經(jīng)網(wǎng)絡(luò)(BP-ANN)算法具有最佳預(yù)測(cè)效果，預(yù)測(cè)集60個(gè)樣品的預(yù)測(cè)精度達(dá)到100%。

最近，江蘇大學(xué)Shi等研究了利用NIRs特征結(jié)合化學(xué)計(jì)量學(xué)快速鑒定乳酸菌種類的可行性，發(fā)現(xiàn)當(dāng)選取10個(gè)特征波數(shù)(4 119，4 428，4 316，4 914，5 905，6 193，6 526，6 969，8 373和8 659 cm-1)時(shí)，利用最小二乘支持向量機(jī)(LS-SVM)可以建立最優(yōu)識(shí)別模型，對(duì)實(shí)驗(yàn)中所用的4個(gè)菌種11個(gè)菌株的識(shí)別率在80%～95%之間[53]。

2.2.2 食源性微生物檢測(cè)

中國(guó)海洋大學(xué)相關(guān)研究針對(duì)魚類在低溫貯藏過程中的微生物變化，利用便攜式NIRs儀器結(jié)合GA和BP-ANN系統(tǒng)方法建立了三文魚和比目魚菌落總數(shù)的預(yù)測(cè)和檢測(cè)模型[58-59]。三文魚模型與傳統(tǒng)平板計(jì)數(shù)方法的相關(guān)系數(shù)為0.981，均方根誤差為0.097，驗(yàn)證模型的相關(guān)系數(shù)為0.960，均方根誤差為0.098；比目魚模型與傳統(tǒng)平板計(jì)數(shù)方法的相關(guān)系數(shù)為0.985，均方根誤差為0.095，驗(yàn)證模型的相關(guān)系數(shù)為0.966，均方根誤差為0.083，兩種模型都具有良好精密度和準(zhǔn)確度。

有研究利用FT-NIRs技術(shù)快速、準(zhǔn)確、無損地識(shí)別了雞肉中分離的4種致腐假單胞菌單菌種及其混合菌種菌液，從而實(shí)現(xiàn)了雞肉中假單胞菌的NIRs快速識(shí)別[56]。浙江工商大學(xué)曹海燕等利用FT-NIRs結(jié)合PLS、馬氏距離等分析方法實(shí)現(xiàn)了對(duì)紫薯半干面新鮮程度的鑒別以及紫薯半干面中菌落總數(shù)含量的定量檢測(cè)，其中檢測(cè)紫薯半干面菌落總數(shù)含量范圍為40～1×108CFU·g-1，已經(jīng)可以滿足行業(yè)標(biāo)準(zhǔn)NY/T 1512—2007《綠色食品 生面食、米粉制品》中菌落總數(shù)(≤3×105CFU·g-1)的檢測(cè)要求[57]。

2.2.3 糧食中產(chǎn)毒真菌檢測(cè)

東北農(nóng)業(yè)大學(xué)的張強(qiáng)等基于SVM進(jìn)行了稻谷黃曲霉毒素B1的NIRs無損檢測(cè)研究，所建模型的校正集決定系數(shù)達(dá)到0.913，表明NIRs可準(zhǔn)確檢測(cè)稻谷中的黃曲霉毒素B1[58]。基于多元線性回歸(MLR)和逐步回歸算法(SRA)，他們又構(gòu)建了基于NIRs的稻谷霉菌和毒素檢測(cè)數(shù)學(xué)模型，實(shí)現(xiàn)了稻谷表面霉菌菌落總數(shù)的快速預(yù)測(cè)[59]。中國(guó)農(nóng)業(yè)大學(xué)的袁瑩等利用FT-NIRs對(duì)霉變玉米進(jìn)行了檢測(cè)，SVM分類模型對(duì)訓(xùn)練集和測(cè)試集的預(yù)測(cè)準(zhǔn)確率分別達(dá)到93.3%和91.7%[60]。相關(guān)研究利用PCA，LDA和PLSR方法建立了稻谷霉菌污染的快速分析模型，該模型不僅可以用于感染不同霉菌稻谷樣品的快速鑒別，還可有效區(qū)分不同霉變程度的稻谷。

利用NIRs技術(shù)還可以檢測(cè)花生的真菌病害。有研究開發(fā)了一種基于NIRs技術(shù)的花生產(chǎn)毒霉菌污染程度的定性定量分析方法，對(duì)儲(chǔ)藏0，3，6和9 d花生的感染單一霉菌和多種霉菌的總體判別正確率分別達(dá)到100%和99.17%。江蘇大學(xué)的黃星奕等建立了一種基于FT-NIRs技術(shù)和K最近鄰(KNN)模式識(shí)別方法的霉變和出芽花生識(shí)別方法，訓(xùn)練集與預(yù)測(cè)集識(shí)別率均為98.84%[61]。

3 結(jié)論和展望

NIRs技術(shù)作為一種新型的分析技術(shù)，目前已經(jīng)可以實(shí)現(xiàn)10 CFU·mL-1的極低濃度水平下食源性致病菌的檢測(cè)[28,50,57]，滿足部分食品安全國(guó)家或行業(yè)標(biāo)準(zhǔn)中100 CFU·mL-1(CFU·g-1)微生物限量的檢測(cè)需求，在食品安全領(lǐng)域具有廣闊的應(yīng)用前景。NIRs技術(shù)結(jié)合化學(xué)計(jì)量學(xué)軟件可以實(shí)現(xiàn)食品生產(chǎn)和加工中微生物的在線檢測(cè)，縮短檢測(cè)時(shí)間，提高生產(chǎn)效率。NIRs用于微生物鑒別和分類時(shí)，在將來的臨床檢測(cè)中，可以節(jié)約大量的人力、物力和財(cái)力，并為尋找合適的抗菌藥物提供了依據(jù)，縮短對(duì)病人的確診時(shí)間，減緩病人的痛苦。

然而，開展NIRs技術(shù)在微生物檢測(cè)領(lǐng)域的應(yīng)用研究，還任重而道遠(yuǎn)。(1)必須制定規(guī)范化和標(biāo)準(zhǔn)化的樣品制備和操作流程，這樣才能實(shí)現(xiàn)不同微生物實(shí)驗(yàn)室的數(shù)據(jù)互通和實(shí)驗(yàn)重現(xiàn)性，進(jìn)而實(shí)現(xiàn)NIRs技術(shù)在微生物檢測(cè)領(lǐng)域的大規(guī)模應(yīng)用；(2)目前還沒有一個(gè)成熟的關(guān)于微生物檢測(cè)的NIRs模型數(shù)據(jù)庫，而NIRs定性和定量分析幾乎完全依賴于數(shù)據(jù)庫；(3)由于傳統(tǒng)紅外儀器設(shè)計(jì)理念的問題，處于近紅外和中紅外結(jié)合區(qū)域的2 000～3 000 nm(5 000～3 333 cm-1)范圍的電磁波，F(xiàn)T-NIRs儀器和FT-IRs儀器在這一區(qū)域受到光源種類、分光器件基礎(chǔ)材料、探測(cè)器類型等諸多因素的影響，儀器的信噪比都非常低，而2 000 nm以上波長(zhǎng)區(qū)域恰恰是生物大分子光譜信息最豐富的區(qū)域，因此如果有專門針對(duì)這一波段優(yōu)化設(shè)計(jì)的光譜儀器，相信會(huì)有助于微生物的定性和定量分析。