摘 要：光譜分析技術(shù)以其快速、無損、環(huán)保等特點(diǎn)，在食品成分檢測中得到了廣泛應(yīng)用。本文綜述了光譜分析技術(shù)在食品成分檢測中的應(yīng)用現(xiàn)狀，分析了其面臨的成分鑒定分辨率不足、基質(zhì)效應(yīng)干擾檢測、數(shù)據(jù)處理復(fù)雜等挑戰(zhàn)，并提出了相應(yīng)的對策建議，包括提升儀器分辨率、應(yīng)用基質(zhì)校正技術(shù)、優(yōu)化數(shù)據(jù)處理算法等。通過不斷優(yōu)化技術(shù)手段，光譜分析技術(shù)將在食品成分檢測領(lǐng)域發(fā)揮更大的作用，為保障食品安全提供重要技術(shù)支撐。

關(guān)鍵詞：光譜分析；食品成分檢測；基質(zhì)效應(yīng)

Abstract： Spectral analysis technology has been widely used in food ingredient detection due to its fast， non-destructive， and environmentally friendly characteristics. This article reviews the current application status of spectral analysis technology in food ingredient detection， analyzes the challenges it faces in ingredient identification resolution， matrix effect interference detection， and high data processing complexity， and proposes corresponding countermeasures and suggestions， including improving instrument resolution， applying matrix correction technology， optimizing data processing algorithms， etc. By continuously optimizing technical means， spectral analysis technology will play a greater role in the field of food ingredient detection， providing important technical support for ensuring food safety.

Keywords： spectral analysis; food ingredient detection; matrix effects

隨著社會的發(fā)展和人們生活水平的提高，消費(fèi)者對食品安全和營養(yǎng)品質(zhì)的要求日益提升，精準(zhǔn)、快速地檢測食品成分成為保障食品安全、滿足消費(fèi)者需求的關(guān)鍵[1]。光譜分析技術(shù)以其快速、無損、環(huán)保等特點(diǎn)，在食品成分檢測領(lǐng)域得到了越來越廣泛的應(yīng)用。

1 光譜分析技術(shù)原理及其在食品成分檢測中的應(yīng)用

光譜分析技術(shù)是利用物質(zhì)與電磁輻射相互作用的原理，通過分析物質(zhì)吸收、發(fā)射或散射光譜的特征來鑒定物質(zhì)成分及含量的一類分析方法。根據(jù)電磁波頻率范圍的不同，光譜分析技術(shù)可分為紫外-可見光譜、紅外光譜、拉曼光譜、熒光光譜以及原子吸收光譜等多種類型。

在食品成分檢測中，這些光譜技術(shù)各有所長[2]。例如，在蛋白質(zhì)含量測定方面，紫外-可見分光光度法利用蛋白質(zhì)在280 nm處的特征吸收峰，通過比色原理實(shí)現(xiàn)定量分析；在脂肪酸組成分析方面，氣相色譜-質(zhì)譜聯(lián)用技術(shù)可對脂肪酸甲酯化產(chǎn)物進(jìn)行分離和定性定量分析；在食品中農(nóng)藥殘留檢測方面，液相色譜-串聯(lián)質(zhì)譜具有極高的靈敏度和選擇性，可同時分析數(shù)百種農(nóng)藥殘留。近年來，傅里葉變換紅外光譜、近紅外光譜、拉曼光譜等技術(shù)在食品品質(zhì)與安全檢測中得到越來越多的應(yīng)用[3]。這些技術(shù)無須對樣品進(jìn)行復(fù)雜的前處理，可實(shí)現(xiàn)多組分同時快速分析，極大地提高了檢測效率。

2 食品成分檢測的主要內(nèi)容及指標(biāo)

食品成分檢測是確保食品質(zhì)量安全、滿足消費(fèi)者營養(yǎng)需求的重要手段，其檢測內(nèi)容涵蓋多個方面，包括宏量營養(yǎng)素、微量營養(yǎng)素、食品添加劑、污染物等。①在宏量營養(yǎng)素方面，主要檢測指標(biāo)有水分、蛋白質(zhì)、脂肪、碳水化合物和灰分等，這些指標(biāo)的測定對于評估食品的基本營養(yǎng)價值和品質(zhì)屬性至關(guān)重要。②微量營養(yǎng)素，如維生素和礦物質(zhì)雖然含量較低，但對人體健康卻不可或缺。常見的檢測指標(biāo)包括維生素A、維生素C、維生素E、B族維生素、鈣、鐵、鋅和硒等。③食品添加劑是現(xiàn)代食品工業(yè)中廣泛使用的一類物質(zhì)，其檢測對于保障食品安全和消費(fèi)者權(quán)益非常重要，常見的食品添加劑檢測指標(biāo)包括防腐劑、抗氧化劑、著色劑和甜味劑等。④食品中還可能存在農(nóng)藥殘留、獸藥殘留、重金屬、塑化劑等污染物，這些指標(biāo)的控制關(guān)乎食品安全和消費(fèi)者健康[4]。

3 光譜分析技術(shù)在食品成分檢測中的應(yīng)用挑戰(zhàn)

3.1 成分鑒定分辨率不足

成分鑒定分辨率不足是光譜分析技術(shù)檢測食品成分過程中面臨的一大挑戰(zhàn)。食品中常含有數(shù)以千計的化合物，其中許多成分的光譜特征相似，導(dǎo)致光譜峰重疊，難以實(shí)現(xiàn)準(zhǔn)確識別和定量。以植物源性食品中的多酚類化合物為例，其結(jié)構(gòu)相似性高，如黃酮類化合物桑色素和槲皮素在紫外-可見光譜上表現(xiàn)出相似的吸收峰形，僅憑光譜信息難以區(qū)分。類似地，茶多酚中的兒茶素類化合物，如表兒茶素沒食子酸酯和表兒茶素的紫外-可見光譜在275 nm附近均有較強(qiáng)吸收，且峰形相似，難以直接定性[5]。盡管聯(lián)用技術(shù)（如液相色譜-質(zhì)譜）可在一定程度上提高分離和鑒定能力，但對于結(jié)構(gòu)高度相似的同分異構(gòu)體，如質(zhì)譜裂解特征相似的反式-阿魏酸和反式-亞油酸，仍難以區(qū)分。光譜分辨率的局限也影響了食品摻偽檢測的準(zhǔn)確性。以常見的以次充好摻偽現(xiàn)象為例，低檔橄欖油摻入花生油，其主要脂肪酸的組成和紅外光譜特征相似，難以直接識別。

3.2 基質(zhì)效應(yīng)干擾檢測

基質(zhì)效應(yīng)的干擾是光譜分析技術(shù)在食品成分檢測中的另一個普遍性難題。不同食品基質(zhì)的理化性質(zhì)差異顯著，當(dāng)目標(biāo)分析物與基質(zhì)成分相互作用時，可能導(dǎo)致光譜信號發(fā)生變化，進(jìn)而影響檢測的準(zhǔn)確性和重現(xiàn)性。以多環(huán)芳烴類污染物檢測為例，其在不同食品基質(zhì)中的響應(yīng)信號差異明顯：熒光光譜分析中，花生醬等脂質(zhì)含量高的基質(zhì)會產(chǎn)生較強(qiáng)的背景熒光，導(dǎo)致目標(biāo)分析物信號被掩蓋；而巧克力等可可制品中的黃烷醇類物質(zhì)會導(dǎo)致多環(huán)芳烴類污染物的熒光猝滅，造成檢測結(jié)果偏低。在農(nóng)藥殘留檢測領(lǐng)域，不同蔬果基質(zhì)中的色素、蠟質(zhì)等成分會影響農(nóng)藥在提取溶劑中的分配，進(jìn)而影響檢測結(jié)果的準(zhǔn)確性。

3.3 數(shù)據(jù)處理復(fù)雜

現(xiàn)代光譜分析儀器的高通量、高靈敏度特性使得獲得的光譜數(shù)據(jù)量極為龐大，且光譜信息復(fù)雜，常伴有基線漂移、背景噪聲等干擾因素。如何從海量的光譜數(shù)據(jù)中準(zhǔn)確提取有效的化學(xué)計量學(xué)信息，建立穩(wěn)健可靠的定量模型，是一個亟待攻克的難題。以近紅外光譜分析為例，一個樣品的光譜數(shù)據(jù)可包含成百上千個波長變量，而實(shí)際建模所用到的特征變量往往很少。因此，需要采用主成分分析（Principal Component Analysis，PCA）、偏最小二乘法（Partial Least Squares，PLS）等化學(xué)計量學(xué)方法對高維光譜數(shù)據(jù)進(jìn)行降維處理，篩選出最具代表性的特征變量。但是，食品基質(zhì)復(fù)雜多變，光譜數(shù)據(jù)受到散射、吸收等因素的影響，導(dǎo)致不同批次樣品間的光譜特征差異明顯，建立“一把尺子量到底”的通用模型難度很大。此外，光譜數(shù)據(jù)的可解釋性也面臨挑戰(zhàn)[1]。機(jī)器學(xué)習(xí)算法，如支持向量機(jī)（Support Vector Machine，SVM）、隨機(jī)森林等能夠建立較好的定量模型，但其“黑箱”特性導(dǎo)致模型解釋性差，難以闡明光譜特征與食品理化性質(zhì)之間的內(nèi)在聯(lián)系。

4 提高光譜分析在食品成分檢測中應(yīng)用效能的對策

4.1 提升儀器分辨率

光譜分析技術(shù)在食品成分檢測中的分辨率不足是制約其廣泛應(yīng)用的一大瓶頸。針對植物源性食品中結(jié)構(gòu)相似的多酚類化合物，如黃酮類化合物桑色素和槲皮素在紫外-可見光譜上峰形相似、難以直接區(qū)分的問題，可優(yōu)化液相色譜梯度洗脫條件，采用C18反相色譜柱與紫外檢測器聯(lián)用，在二維色譜中實(shí)現(xiàn)不同化合物的有效分離，再輔以光譜信息對分離的色譜峰進(jìn)行定性分析，從而大幅提升檢測的專一性。對于傳統(tǒng)紫外檢測難以區(qū)分茶多酚中結(jié)構(gòu)高度相似的兒茶素類化合物表兒茶素沒食子酸酯和表兒茶素的局限，可考慮引入高分辨質(zhì)譜技術(shù)，通過精確質(zhì)荷比（m/z）信息實(shí)現(xiàn)這些異構(gòu)體的精準(zhǔn)鑒定。同時，優(yōu)化碰撞能量、掃描模式等質(zhì)譜參數(shù)，可進(jìn)一步提升對難區(qū)分的同分異構(gòu)體的定性能力。在油脂摻偽檢測領(lǐng)域，針對低檔油脂摻入高檔油脂后紅外光譜特征相似、難以直接定性的問題，可采用固相微萃取技術(shù)富集油脂中的特征性微量成分，再結(jié)合氣相色譜-質(zhì)譜進(jìn)行分析，以菜籽油中芥酸、花生油中花生酸等特征性脂肪酸的存在與否為判別依據(jù)，從而實(shí)現(xiàn)摻偽油脂的精準(zhǔn)溯源。

4.2 應(yīng)用基質(zhì)校正技術(shù)

針對不同食品基質(zhì)的理化性質(zhì)差異導(dǎo)致的光譜響應(yīng)變化，可采用基質(zhì)校正技術(shù)消除此類干擾。

標(biāo)準(zhǔn)加入法是一種可有效消除基質(zhì)效應(yīng)的策略，通過在待測樣品中加入不同濃度的目標(biāo)分析物標(biāo)準(zhǔn)品，建立多點(diǎn)校正曲線，可在一定程度上抵消基質(zhì)背景的影響。例如，在檢測牛奶中黃曲霉毒素M1時，蛋白、脂肪等成分會對毒素的光譜信號產(chǎn)生干擾。采用標(biāo)準(zhǔn)加入法，在相同基質(zhì)背景下獲得不同濃度水平的黃曲霉毒素M1光譜，可大幅提升檢測的線性范圍和準(zhǔn)確度。

同位素稀釋技術(shù)是消除基質(zhì)效應(yīng)的另一有力工具，通過向樣品中加入同位素標(biāo)記的目標(biāo)分析物，再采用質(zhì)譜檢測同位素信號比，可實(shí)現(xiàn)對基質(zhì)效應(yīng)的有效校正。這一方法在農(nóng)藥殘留、獸藥殘留等痕量分析領(lǐng)域具有明顯優(yōu)勢。例如，在檢測蜂蜜中的氯霉素殘留時，基質(zhì)中復(fù)雜的糖類、蛋白質(zhì)等成分會嚴(yán)重抑制氯霉素的電噴霧離子化效率。引入氘代氯霉素作為內(nèi)標(biāo)，可有效校正基質(zhì)效應(yīng)引起的信號衰減。

基質(zhì)匹配校準(zhǔn)是提高光譜分析準(zhǔn)確性的另一重要策略，通過選擇與待測樣品基質(zhì)特性相近的標(biāo)準(zhǔn)物質(zhì)，配制與樣品基質(zhì)背景一致的校準(zhǔn)系列，可最大限度地減少基質(zhì)效應(yīng)的影響，這在固體樣品的近紅外光譜分析中尤為關(guān)鍵。例如，在分析小麥粉中蛋白質(zhì)含量時，不同品種、不同產(chǎn)地的小麥粉理化特性差異顯著，直接采用水溶液校準(zhǔn)會導(dǎo)致嚴(yán)重的系統(tǒng)誤差，而選用不同蛋白質(zhì)水平的小麥粉基質(zhì)配制校準(zhǔn)樣品，獲得的定量模型將更具健壯性和實(shí)用性。

4.3 優(yōu)化數(shù)據(jù)處理算法

光譜數(shù)據(jù)中含有豐富的化學(xué)計量學(xué)信息，但受制于數(shù)據(jù)維度高、變量相關(guān)性強(qiáng)等特點(diǎn)，直接從原始光譜中提取有效信息難度很大，優(yōu)化數(shù)據(jù)處理算法是破解這一難題的關(guān)鍵。

變量篩選是降低數(shù)據(jù)復(fù)雜性的重要途徑，通過計算各波長變量與目標(biāo)響應(yīng)值之間的相關(guān)性，并結(jié)合化學(xué)分析經(jīng)驗，篩選出對定量模型貢獻(xiàn)最大的特征波長，可有效降低數(shù)據(jù)維度，提高模型的健壯性和解釋性。例如，在牛肉新鮮度評價中，全波段近紅外光譜包含大量與牛肉品質(zhì)無關(guān)的冗余信息。應(yīng)用連續(xù)投影算法（Successive Projection Algorithm，SPA）從1 000余個波長變量中優(yōu)選出18個關(guān)鍵波長，并結(jié)合SVM建立判別模型，可實(shí)現(xiàn)牛肉新鮮度的快速無損評價[2]。對于光譜基線漂移、散射等干擾因素引起的非線性效應(yīng)，多元散射校正（Multiple Scattering Correction，MSC）、標(biāo)準(zhǔn)正態(tài)變量（Standard Normal Variate，SNV）交換等數(shù)據(jù)預(yù)處理方法可發(fā)揮重要作用。例如，在分析乳粉中蛋白質(zhì)含量時，由于乳粉顆粒的不均勻性，近紅外光譜存在明顯的散射效應(yīng)。采用MSC后，光譜基線漂移得到有效消除，建立的PLS定量模型性能顯著改善。

多區(qū)域建模策略也是提升光譜分析適用性的有效途徑。不同批次、產(chǎn)地的樣品光譜特征往往存在較大差異，采用單一定量模型難以滿足檢測要求。采用PCA、K-均值聚類等聚類算法，根據(jù)樣品光譜的相似性將其劃分為若干子集，再在各子集內(nèi)分別建立定量模型，可有效提升模型在外部樣品中的預(yù)測能力，這在茶葉品質(zhì)評價、果蔬產(chǎn)地溯源等領(lǐng)域已有成功應(yīng)用[4]。

5 結(jié)語

本文綜述了光譜分析技術(shù)在食品成分檢測中的應(yīng)用現(xiàn)狀，分析了其面臨的挑戰(zhàn)，并提出了相應(yīng)的對策建議。研究表明，通過提升儀器分辨率、應(yīng)用基質(zhì)校正技術(shù)、優(yōu)化數(shù)據(jù)處理算法等措施，可以有效提高光譜分析技術(shù)在食品成分檢測中的應(yīng)用效能。

參考文獻(xiàn)

[1]梁爽，李斌，朱君，等.光譜分析技術(shù)用于畜禽養(yǎng)殖糞污成分檢測的研究進(jìn)展[J].中國奶牛，2024（3）：50-55.

[2]吳靜珠，李曉琪，孫麗娟，等.太赫茲時域光譜及成像技術(shù)在農(nóng)作物品質(zhì)檢測中的應(yīng)用研究進(jìn)展[J].光譜學(xué)與光譜分析，2022，42（2）：358-367.

[3]周粲入，王哲濤，楊思危，等.化學(xué)計量學(xué)和深度學(xué)習(xí)方法在拉曼光譜處理方面的應(yīng)用研究進(jìn)展[J].分析化學(xué)，2023（8）：1232-1242.

[4]黃積微，李洋，袁迪，等.基于便攜式近紅外光譜儀的藍(lán)莓熱風(fēng)干燥過程模型的建立[J].食品與發(fā)酵工業(yè)， 2023， 49（16）：283-290.

[5]劉樹林，王猛，李安，等.高精度煤質(zhì)成分快速定量分析LIBS系統(tǒng)研究[J].光學(xué)精密工程，2024，32（10）：1470-1480.

作者簡介：高鑫（1991—），女，山東青島人，碩士，工程師。研究方向：生物工程。