糧食中脫氧雪腐鐮刀菌烯醇風險預警研究進展

李 森 劉寧晶 蔡 娣 葉 金 王松雪

(國家糧食和物資儲備局科學研究院，糧油質(zhì)量安全研究所1，北京 102600) (瓦赫寧根大學與研究中心，瓦赫寧根食品安全研究所2，瓦赫寧根 6708 WB)

脫氧雪腐鐮刀菌烯醇(deoxynivalenol，DON)，又名嘔吐毒素，是由鐮刀菌產(chǎn)生的最常見真菌毒素之一。糧食在種植、收獲、儲運、加工過程中，非常容易受到DON污染。這種真菌次級代謝物在糧食中積累嚴重影響人類和動物的健康[1]。DON累積可能會引起人類和動物中毒，主要癥狀包括惡心、嗜睡、嘔吐、消化和溶血性疾病、體液和細胞免疫反應(yīng)障礙以及神經(jīng)系統(tǒng)紊亂等[2,3]。同時，污染了DON的糧食在加工過程中可能會產(chǎn)生一些相關(guān)技術(shù)性問題，如影響啤酒麥芽化(抑制酶合成)、發(fā)酵(抑制酵母生長)或烘焙產(chǎn)品品質(zhì)[4]。

DON對糧食及其制品的污染是一個世界性問題?；贒ON的危害，世界各國各組織對DON在糧食中限量進行了規(guī)定，表1為部分國家和組織對DON在糧食及其制品中的限量標準。國外對糧食中真菌毒素污染調(diào)查研究也表明，DON檢出率較高，部分地區(qū)超標嚴重。Edwards等[5]對英國小麥中鐮刀菌毒素的研究顯示，在2001—2006 年期間，鐮刀菌毒素超過該國限量的樣品比例為 0.4%～11.3%，主要超標物為DON和玉米赤霉烯酮。在我國谷物和谷物制品中，2009年小麥粉、玉米制品的DON檢出率在53.42%～100%之間，2010年小麥粉、玉米樣品的DON檢出率在69.3%～96.8%之間[6,7]。根據(jù)Van der Fels-Klerx等[8]的預測，20年后，受全球氣候變化影響，小麥開花和成熟均提前1～2周，西北歐大部分地區(qū)DON污染增加為原來濃度的3倍。因此急需控制當前和今后糧食中DON的污染。

糧食中DON污染分別由產(chǎn)前和產(chǎn)后兩個階段產(chǎn)生，產(chǎn)前主要指收獲前的田間耕作過程，產(chǎn)后主要指糧食在農(nóng)戶、糧食經(jīng)紀人、糧庫、物流、食品加工企業(yè)的收獲、儲存、運輸、加工過程。近年來，隨著科技進步和我國儲糧方式的不斷改進，糧食產(chǎn)后安全得到了有力保障，糧食在產(chǎn)后儲藏階段真菌毒素積累得到了有效控制，目前糧食中真菌毒素的發(fā)生主要存在于糧食收獲前。收獲前，由于糧食作物在田間生長過程中真菌感染、耕作方式影響和天氣條件不穩(wěn)定，導致真菌毒素積累，且不同地區(qū)，不同年份間差異較大[9]。因此，尋找預測DON發(fā)生的方法，從而實施有針對性的預防措施，轉(zhuǎn)變“被動防御”為“主動保障”，從根本上降低糧食DON污染非常重要。

當前，各個國家和地區(qū)在DON污染風險預警方面進行了很多研究。DON的產(chǎn)生主要與作物生長期間的天氣情況、作物信息、田間耕作方式和作物生長期間的病蟲害等有關(guān)系。關(guān)于DON的風險預警，目前國際上也有很多專家學者進行了相關(guān)研究，面向不同的服務(wù)對象，包括國家、區(qū)域以及農(nóng)戶和糧食經(jīng)紀人，建立了一些DON預警模型。本文介紹了DON預警的相關(guān)研究進展及模型。

表1 谷物中DON限量

1 DON產(chǎn)生因素研究現(xiàn)狀

DON主要由禾谷鐮刀菌、串珠鐮刀菌、雪腐鐮刀菌等鐮刀菌產(chǎn)生。鐮刀菌是田間和儲藏作物菌群的正常組成部分，而DON的產(chǎn)生取決于鐮刀菌類型、作物品種和性質(zhì)、作物生長期間管理措施以及收獲、處理和儲存條件。產(chǎn)生DON的量取決于物理因素(水活度、水分、相對空氣濕度、溫度和谷物機械損傷等)、化學因素(二氧化碳、氧氣、基質(zhì)成分、殺蟲劑和殺菌劑等)和生物因素(植物品種、抗性、昆蟲等) 等[15]。這些因素反映到與糧食中DON產(chǎn)生的指標上主要為天氣情況、作物屬性與耕種條件、病蟲害情況和產(chǎn)毒真菌等。

1.1 氣象因素

在眾多影響小麥DON產(chǎn)生的因素中，以氣象數(shù)據(jù)統(tǒng)計結(jié)果開展的分析研究最多，其中影響顯著的氣象因素包括溫度、空氣相對濕度和降雨量[16,17]。作物在種植過程中，隨著溫度、相對濕度和降雨量增加，小麥中DON的含量均有所增加[9,18,19,20]。

氣象因素中對DON產(chǎn)生影響最大的為濕度[21]。Mvller等[22]研究表明，濕潤地區(qū)(年平均降水量>550 mm)DON污染顯著高于干燥地區(qū)(增加3.7倍)。同時，Magan等[23]證明在水分活度(Aw)為0.950～0.995，溫度為25 ℃時，容易導致小麥DON產(chǎn)生；小麥Aw在0.9以上，盡管溫度低至15 ℃，產(chǎn)毒菌也可以正常生長，間接證明了濕度對DON產(chǎn)生具有很大的影響。此外，作物Aw不同，DON及其衍生物產(chǎn)生的比例也不同。Medina等[24]研究表明DON及其衍生物3-乙?；撗跹└牭毒┐?3-acetyl-deoxynivalenol，3-AC-DON) 和15-乙?；撗跹└牭毒┐?15-acetyl-deoxynivalenol，15-AC-DON)在Aw為0.93、0.95和0.98時3種毒素比例差別很大。

降雨量與DON的積累相關(guān)，而且根據(jù)Edwards等[25]的研究，小麥生長過程中降雨不僅會導致DON污染發(fā)生，降雨規(guī)律還會影響小麥不同組分中DON的分布情況，反復濕潤和干燥會增加小麥中DON含量，而且小麥中DON含量會趨向平衡；大量降雨會減少DON產(chǎn)生，但減少部分只是小麥表面的DON，小麥面粉中的DON含量反而偏高。

此外，溫度、濕度和降雨這些氣象因素除了會單獨與DON產(chǎn)生顯著相關(guān)，其相互作用也會促使DON積累。研究表明，溫度與濕度的乘積項、降雨與平均溫度的交互項都與DON產(chǎn)生有很強的相關(guān)性[26]，說明DON產(chǎn)生不是單一條件作用的結(jié)果，而是在共同滿足多種條件的情況下產(chǎn)生的。

開花期和收獲期的天氣是影響DON產(chǎn)生的主要因素[27]，在研究氣象對DON產(chǎn)生影響的過程中，一般是以作物生長期為時間節(jié)點，但也有研究以自然月為時間節(jié)點進行氣象數(shù)據(jù)的統(tǒng)計，根據(jù)Landschoot等[28]的研究結(jié)果表明，二月總降雨和六月露點等因素會增加DON的風險。

1.2 作物屬性和耕種方式

近些年，關(guān)于DON預警的研究不僅限于氣象條件，關(guān)于作物本身特性和耕種方式等是否會導致DON積累的相關(guān)研究也越來越多。

作物信息主要是指作物品種和抗性。有研究發(fā)現(xiàn)在同樣條件下白小麥DON積累是紅小麥的2倍，小麥品種的影響比率可以達到27%[16]，有機種子相對非有機種子種植收獲的作物中DON含量更低[29]。Heraud等[30]和Paul 等[31,32]的研究也表明小麥品種對DON積累有顯著影響，分析可能由于品種抗性不同導致的[33]。Eiblmeier等[34]、Van der Fels-Klerx等[26]和Froment等[27]進一步研究表明，通過對作物抗性進行區(qū)分，抗性等級越高DON污染水平會顯著降低。

耕作方式與DON產(chǎn)生的相關(guān)因素主要包括翻耕、輪作、收獲時間、殺真菌劑的使用、采收方式、施肥情況、灌溉、土壤質(zhì)地和作物密度等。研究發(fā)現(xiàn)播種前對土壤進行翻耕會增加DON發(fā)生風險，且翻耕深度越深，風險越大[34-36]。輪作即上季節(jié)種植作物，不同的輪作作物會顯著影響該季作物中DON污染情況[28,37，38]，其中上季節(jié)輪作作物為玉米時，DON發(fā)生風險最高[39]，這可能是由于玉米在田間的殘留物更有利于鐮刀菌生長及產(chǎn)毒[22]。收獲時間的影響在于作物收獲日期的差別，Eiblmeier等[34]研究表明玉米從開花到收獲中間天數(shù)大于60 d會顯著增加DON污染風險。殺真菌劑的使用對DON積累的影響是通過影響作物中真菌生長來影響毒素產(chǎn)生的[39,40]。Schaafsna等[37]研究發(fā)現(xiàn)機械采收DON感染的風險低于人工采收。Heier等[41]研究表明氮肥的使用會導致DON污染更加嚴重。Soderstrom等[42]研究表明田間土壤DON含量的變化規(guī)律與土壤質(zhì)地、排水條件、作物密度和耕作方式有關(guān)。

然而不同國家和地區(qū)在耕作方式中的研究結(jié)果不盡相同，Karlsson等[36]對作物多樣性、肥料類型、殺菌劑用量和土壤耕作方式等進行了研究，其中土壤耕作是唯一的顯著變量。這說明在不同地域一些其他因素影響下，不同耕作方式的響應(yīng)會存在差別，不僅體現(xiàn)在是否與DON污染程度顯著相關(guān)，也體現(xiàn)在不同耕作方式權(quán)重也各不相同。

1.3 病蟲害

此外，小麥的病蟲害對DON產(chǎn)生方面也有一些研究，研究以赤霉病為主，也包含了部分昆蟲的影響，但仍然沒有明確的定論。Bondalapati等[43]研究發(fā)現(xiàn)目測的赤霉病粒與DON有顯著關(guān)系，但顯著性與小麥品種、地理位置等有一定關(guān)系，對于不同小麥品種和不同地區(qū)，顯著性也存在差異。Miedaner等[44]的研究同樣表明，赤霉病(Fusariumhead blight，F(xiàn)HB，染病植株的比率)的發(fā)生和鐮刀菌受損顆粒(Fusariumdamaged kernels FDK，染病顆粒的比率)與DON含量顯著相關(guān)，且FDK與DON相關(guān)性更好。除赤霉病和鐮刀菌污染顆粒的研究外，根據(jù)Nesic等[45]的分析，作物種植期間昆蟲的發(fā)生會破壞小麥籽粒，也會增加小麥DON風險，也有研究明確表示，玉米螟會對玉米中DON產(chǎn)生有明顯的促進作用[27]。

1.4 其他因素

一些學者在研究外在客觀因素的基礎(chǔ)上，對引起嘔吐毒素產(chǎn)生的原因進行了深入探討，主要以DON產(chǎn)毒真菌為主。Heraud等[30]研究小麥中DON污染情況與土壤中鐮刀菌含量的關(guān)系，發(fā)現(xiàn)小麥生長期土壤表層鐮刀菌含量對小麥中DON 的產(chǎn)生有很大影響。Schmidt-Heydt等[46]研究了在不同環(huán)境下菌株中TRI基因的表達，研究發(fā)現(xiàn)環(huán)境對DON產(chǎn)生的影響與對TRI基因表達的影響一致，結(jié)果表明TRI基因表達與DON產(chǎn)生有著直接關(guān)系。

2 DON預警模型

當前，很多專家學者通過歷史數(shù)據(jù)和實驗數(shù)據(jù)建立DON預警模型，用于預測即將收獲或已收獲的當季作物DON發(fā)生情況。國際上現(xiàn)有的DON預警模型主要分為三類，分別為回歸模型、機理模型和神經(jīng)網(wǎng)絡(luò)模型。回歸模型主要是對統(tǒng)計關(guān)系進行定量描述的一種數(shù)學模型，如多元線性回歸、有序回歸等，也可以進行定性預測。建立機理模型則需要模擬植物和真菌發(fā)育階段的基本機制及其相互作用。這類模型需要對每一個生物過程都有充分了解，并需要在廣泛的條件下進行廣泛實驗研究，以收集所需知識和輸入數(shù)據(jù)。神經(jīng)網(wǎng)絡(luò)是由大量的、簡單的處理單元(稱為神經(jīng)元)廣泛地互相連接而形成復雜網(wǎng)絡(luò)系統(tǒng)，反映了人腦功能的許多基本特征，是一個高度復雜的非線性動力學習系統(tǒng)，與回歸模型相比，神經(jīng)網(wǎng)絡(luò)模型更容易分析變量之間的依賴關(guān)系，管理非線性交互，并組合不同種類信息，如檢測數(shù)據(jù)、專家知識和最終用戶反饋。目前，在DON風險預測中，基于這3種建模方法都得到了相對較為成熟的模型，簡單歸納和對比見表2。

表2 部分現(xiàn)有DON風險預警模型對比列表

2.1 回歸模型

回歸模型是建立預警模型的經(jīng)典方法，也是目前應(yīng)用最為廣泛的模型。在風險預警回歸模型中一般常用的有2種，分別為多元線性回歸模型和有序回歸模型。多元線性回歸模型是將DON作為連續(xù)變量，進行定量預測，而有序回歸模型按DON含量分為N類，進行定性預測。

Van der Fels-Klerx等[27]建立的模型中包括氣象因素(空氣溫度、濕度和降雨量)、田間耕作信息(殺真菌劑的使用和小麥抗性信息)以及分區(qū)、日期等輸入項，模型對DON進行定量預測，真實值與預測值相關(guān)系數(shù)為0.78。該模型基于2001—2008年連續(xù)8年共425組數(shù)據(jù)建立，考慮了各方面因素，預測準確率高。2014年，Van der Fels-Klerx等[47]用不同的樣本數(shù)據(jù)對模型進行了評估，預測準確率達到了94%，但是建模使用的數(shù)據(jù)中只有3個樣本高于限量，導致高含量樣品預測準確率比較差。該模型2018年被納入到歐盟真菌毒素防控體系MyToolBox中[48]。雖然該模型能準確預測94%的樣品，但是其對輸入因子的要求比較高，只適用于模型建立地區(qū)，其他地區(qū)無法使用該模型進行預測，難以推廣(表2)，這也是目前預警模型普遍存在的問題。

Hooker等[49]基于5年(1996—2000年)399個樣品的數(shù)據(jù)，利用抽穗期前后不同時間段的氣象數(shù)據(jù)，按照不同降雨量分別建立了3個模型。建模采用的氣象數(shù)據(jù)分別為日最低溫小于10 ℃的天數(shù)(TMIN)、日最高溫大于32 ℃的天數(shù)(TMAX)、降雨量大于3 mm的天數(shù)(RAINB、RAINC)、降雨量大于5 mm的天數(shù)(RAINA)等，預測準確率達到73%，為定性預測模型。該模型根據(jù)不同需求和降雨情況對DON的發(fā)生進行了預測，且對模型的使用沒有太多限制，增強了模型適用性，但該模型沒有應(yīng)用其他地區(qū)數(shù)據(jù)進行驗證，無法得知在其他地區(qū)的預測準確率，且該模型沒有考慮耕種信息，如果該模型加入殺真菌劑的使用、抗性等信息后，可能會提高預測準確性。

Landschoot等[19]在比利時不同地區(qū)建立了7～12個實驗田，通過接種DON的產(chǎn)毒菌，使小麥感染并產(chǎn)生DON。在2002—2011年10年數(shù)據(jù)積累的基礎(chǔ)上，建立了多元線性回歸、嶺回歸、回歸樹等定量模型和有序回歸模型(為分類預警模型)，定量模型中相關(guān)系數(shù)R最高為0.54，定性模型的預測準確率為76%～95%。Landschoot等[19]建立的模型中有線性回歸模型，其他模型為有序回歸模型。根據(jù)Landschoot等[19]對兩個模型對比，建立有序回歸模型對DON值進行評估可以獲得更準確、更容易解釋的預測結(jié)果。以自建的實驗田得到的數(shù)據(jù)進行分析建立模型，由于自建實驗田在地區(qū)選擇和管理方式上進行了人為控制，使建模數(shù)據(jù)更加干凈，對建模因素的篩選有利，但由于某些管理方式的一致性，即樣品在某些因素上無差異，導致一些可能對DON產(chǎn)生有影響的因素會被忽略。

Hjelkrem等[18]建立了燕麥DON風險預警回歸模型。該模型將燕麥從種植到收獲，進行了全生長期時間段劃分。該模型以76組數(shù)據(jù)為基礎(chǔ)，考察了8種氣象因素與DON產(chǎn)生的關(guān)系，為定性模型，準確率達到79%。但該模型建立的基礎(chǔ)數(shù)據(jù)只有76組，數(shù)據(jù)量嚴重不足，模型缺乏嚴謹性和代表性。

2.2 機理模型

機理模型是以實驗室實驗為基礎(chǔ)，探討在作物生長過程中對DON產(chǎn)生影響的因素，并建立關(guān)系式，得到DON風險預警模型。

Rossi等[20]研究了溫度、濕度、殺真菌劑、作物種類、耕作情況等系列因素在小麥生長過程中對DON產(chǎn)生的影響，如圖1。根據(jù)實驗中各因素對糧食中DON積累風險的影響，確定各因素相對權(quán)重，并形成一個線性方程。該模型為定性預測模型，最終計算給定樣品落在不同區(qū)間的概率，并對是否噴灑殺真菌劑提出建議，該模型預測準確率為70%以上。

該模型對每個影響因素進行了詳細分析和探討，將各因素與毒素產(chǎn)生的內(nèi)在關(guān)系進行了解釋和描述，但該模型在各影響因素權(quán)重確定上介入了更多人為認知和干預，缺乏客觀性，如將該種建模方法與統(tǒng)計回歸方法進行結(jié)合，將有利于模型的改進。

圖1 機理模型實驗設(shè)計圖解

2.3 神經(jīng)網(wǎng)絡(luò)模型

神經(jīng)網(wǎng)絡(luò)最早由心理學家和神經(jīng)生物學家提出，由于神經(jīng)網(wǎng)絡(luò)在解決復雜問題時能夠提供一種相對簡單的方法，近年來越來越受到人們關(guān)注。在神經(jīng)網(wǎng)絡(luò)模型中，各種各樣的模型從不同角度對生物神經(jīng)系統(tǒng)進行不同層次的描述和模擬。一個經(jīng)典的神經(jīng)網(wǎng)絡(luò)包含3個層次，分別為輸入層、中間層(也叫隱藏層，可包含多個層)和輸出層，如圖2。神經(jīng)網(wǎng)絡(luò)最大的優(yōu)點是不需要同時具有所有輸入?yún)?shù)就可以進行預測，即便有一個輸入變量，都可以進行預測，但預測準確率會受到一定影響。

Klem等[50]利用捷克2002—2005年間的數(shù)據(jù)，以氣象數(shù)據(jù)為連續(xù)輸入變量，以作物品種和前茬作物為分類輸入變量，訓練神經(jīng)網(wǎng)絡(luò)進行DON含量預測。該模型的優(yōu)點是綜合了前茬作物、氣候條件對接種的影響以及氣候條件對孢子釋放和感染過程的影響，其結(jié)果與回歸模型和機理模型得到的結(jié)果一致。該模型利用神經(jīng)網(wǎng)絡(luò)建立了氣象和耕種信息與DON的關(guān)系，雖然得到的結(jié)果與他人的研究一致，但神經(jīng)網(wǎng)絡(luò)仍然是一個黑匣子，存在一定的不確定性。因此可以利用這種模型對一些未知變量進行探索，考察其價值，再進行統(tǒng)計分析和實驗，將3種模型進行結(jié)合。

圖2 神經(jīng)網(wǎng)絡(luò)模型的結(jié)構(gòu)

2.4 模型的對比

通過觀察和對比各種預警模型，發(fā)現(xiàn)不同模型均有其優(yōu)點和缺點。劉程等[51]以荷蘭2001—2013年間625組數(shù)據(jù)為基礎(chǔ)，分別建立了回歸模型、機理模型和貝葉斯網(wǎng)絡(luò)模型(BN模型)3種模型，并使用2015—2016年87組數(shù)據(jù)分別對3種模型進行了評價。這3種模型均為定性模型，回歸模型、BN模型和機理模型的預測準確率分別為92.7%、90.2%和84.1%，其中，除了機理模型預測出了2個DON高含量樣品外，其他2個模型均未預測到這2個高含量樣品。通過對比，3種模型的特點為：回歸模型是經(jīng)典預警模型，其預測準確率最高，但其對數(shù)據(jù)要求也最高，只要缺少一種輸入變量，則無法進行預測，如果模型需要應(yīng)用于其他地區(qū)則需要重新進行驗證和調(diào)整。BN模型是開放的，在用神經(jīng)網(wǎng)絡(luò)進行計算的同時可以介入專家認知，對其進行適當干預，該模型對數(shù)據(jù)的要求比較低，即使只有一個輸入項，也能對結(jié)果進行預測[51]。機理模型的優(yōu)勢在于其可以對DON高含量樣品進行準確預測。

回歸模型和貝葉斯網(wǎng)絡(luò)模型都屬于經(jīng)驗?zāi)Ｐ停诮５貐^(qū)可以進行較準確的預測，但在其他地區(qū)適用性較差。而機理模型模擬了真菌感染、生長和霉菌毒素產(chǎn)生的生物學過程，在其他地區(qū)進行預測更容易實現(xiàn)，但是其輸入變量有限，且需要考慮真菌種類等因素。

所有建模方法都有其優(yōu)缺點，因此將不同模型類型組合在一起進行DON風險預警將是一種解決方案，這樣可以發(fā)揮各模型的優(yōu)勢，提供更及時、更準確的建議，以控制DON污染，提高谷物、飼料和食品的安全性。

3 總結(jié)

糧食中DON風險預警已有許多研究，在氣象因素方面相對比較成熟，主要影響DON產(chǎn)生的因素為空氣溫度、空氣濕度和降雨量，在田間等其他影響因素方面近年來也有研究也比較多，但由于各國農(nóng)業(yè)情況的差異，導致影響因素也有差異，為DON風險預警和風險預警模型的建立提供了參考。通過建立模型對DON污染情況進行預測，在模型建立地區(qū)，預測準確率基本高于70%，能夠預測大部分糧食產(chǎn)后DON污染情況，使糧食安全提前預警并采取合理的防控措施成為可能。

雖然當前全球在DON預警方面的研究有一些成效，但是目前多數(shù)DON預警模型都缺乏適用性。由于模型輸入變量的局限性，只有個別國家驗證了現(xiàn)有真菌毒素預測模型。且在除模型構(gòu)建地區(qū)以外區(qū)域，預測模型的準確率不高[17]，導致不能對其進行推廣應(yīng)用。這可能是由于不同地區(qū)地形、氣候、糧食品種、農(nóng)業(yè)情況和微生物的差異造成的。因此我國急需對國內(nèi)糧食典型種植區(qū)域DON發(fā)生的影響因素進行研究，建立適用于我國的DON預警模型，對我國糧食主產(chǎn)區(qū)DON發(fā)生進行提前預警，從源頭保障糧食安全。