電子鼻同步檢測花生霉菌及霉菌毒素

王 蓓，沈 飛,*，何學(xué)明，蔣雪松，袁 建，方 勇，胡秋輝，邱偉芬，MAMO Firew Tafesse

（1.南京財經(jīng)大學(xué)食品科學(xué)與工程學(xué)院，江蘇省現(xiàn)代糧食流通與安全協(xié)同創(chuàng)新中心，江蘇 南京 210023；2.南京林業(yè)大學(xué)機械電子工程學(xué)院，江蘇 南京 210037；3.巴赫達爾大學(xué)生物技術(shù)研究所，埃塞俄比亞 亞的斯亞貝巴 5954）

花生是世界各地重要的農(nóng)產(chǎn)品，中國是世界上最大的花生生產(chǎn)國，在滿足人們對油脂和蛋白質(zhì)的需求方面起著至關(guān)重要的作用。然而，作為蛋白質(zhì)、熱量、維生素和礦物質(zhì)的良好來源，由于貯藏條件不佳，運輸條件不當，花生容易受到腐敗菌或產(chǎn)毒真菌的污染，其中最常見的是曲霉屬。黃曲霉毒素B（aflatoxin B，AFB）的污染是影響食品安全和質(zhì)量的重要問題，對花生種植區(qū)造成了嚴重的經(jīng)濟損失。此外，它也是導(dǎo)致肝癌的一個重要原因，被國際癌癥研究機構(gòu)列為I類致癌物。我國GB 2761—2017《食品中真菌毒素限量》規(guī)定花生中AFB含量不超過20 μg/kg。

食品中黃曲霉毒素的常規(guī)檢測方法有微生物鑒定法、色譜法、酶聯(lián)免疫吸附法（enzyme-linked immunosorbent assay，ELISA）、分子鑒定技術(shù)或聚合酶鏈反應(yīng)（polymerase chain reaction，PCR）等。然而這些技術(shù)均較為繁瑣、檢測時間長、成本高，難以滿足現(xiàn)場大規(guī)模篩查的需求。因此，開發(fā)快速、無損的毒素檢測方法具有重要意義。花生腐敗霉變是一個復(fù)雜的過程，微生物在消耗大量營養(yǎng)物質(zhì)同時氣味也發(fā)生了變化。而電子鼻可以有效檢測源自于微生物代謝的有害食物異味，在真菌毒素污染狀況預(yù)測方面具有突出優(yōu)勢。迄今為止，電子鼻技術(shù)在水果、蔬菜、糧食、禽類等農(nóng)產(chǎn)品品質(zhì)檢測領(lǐng)域得到廣泛應(yīng)用。有學(xué)者已經(jīng)對糙米、小麥、稻谷、玉米等的霉變情況進行了檢測研究，并在糙米、玉米、大麥及小麥霉菌毒素快速分析方面展開了一定應(yīng)用。在花生方面，葉藺霜利用電子鼻技術(shù)研究花生品質(zhì)，區(qū)分相同貯藏時間的破殼花生與完好花生及新鮮花生與陳舊花生。劉鵬利用電子鼻有效區(qū)分受霉菌污染不同程度的花生樣品。林茂等利用電子鼻對烘烤樣品進行分析，能夠較好地區(qū)分生品、烤箱烘烤和微波烘烤樣品。

由上可知，前人對糧食霉變程度與真菌毒素分別進行檢測研究已有相關(guān)報道，但利用電子鼻技術(shù)同時檢測霉菌霉變程度及毒素含量的報道較少。因此，本研究擬以接種不同的產(chǎn)毒和非產(chǎn)毒菌株的花生樣品為研究對象，檢測其在不同貯藏時期（0～6 d）的電子鼻信號，建立花生受不同霉菌感染下的霉變程度及毒素含量的同步快速判別模型，以期為花生貯藏時期的安全提供技術(shù)支撐。

1 材料與方法

1.1 材料

花生樣品取自南京當?shù)爻?。采用Ravindran等的方法對樣品進行徹底滅菌，經(jīng)Co、劑量為12 kGy的輻照后，放置于無菌塑料袋中，在接種前保存于4 ℃。

從北納創(chuàng)聯(lián)生物技術(shù)研究所購買5 株花生中常見的真菌菌株（黑曲霉（）186380、黃曲霉（）142801、黃曲霉185860、黃曲霉185691、寄生曲霉（）335939）。所有菌株在馬鈴薯葡萄糖瓊脂（potato dextrose agar，PDA）培養(yǎng)基于26 ℃和相對濕度80%條件下培養(yǎng)7 d，產(chǎn)生大量孢子。培養(yǎng)結(jié)束后，加入無菌蒸餾水，用無菌接種環(huán)從培養(yǎng)基表面分離得到孢子。真菌孢子濃度按GB/T 4789.2—2016《食品微生物學(xué)檢驗 菌落總數(shù)測定》中平板計數(shù)法測定，加入無菌水調(diào)節(jié)最終濃度約為1×10CFU/mL。

1.2 儀器與設(shè)備

Fox-3000型電子鼻 法國Alpha MOS公司；AFBELISA試劑盒 北京華安麥科生物技術(shù)有限公司；SpectraMax M2E多功能酶標儀 美谷分子儀器（上海）有限公司。

1.3 方法

1.3.1 樣品的制備

將滅菌后樣品隨機分為6組（每組35 份，每份50 g花生），其中5組為實驗組且每個實驗組接種一株，另外1組為空白組。在無菌條件下，將5 株菌株的1 mL真菌懸浮液分別接種35 份樣品，共175 份樣品中。另外空白組（35 份樣品）只添加1 mL無菌水。所有樣品均置于210個無菌塑料盒中，在培養(yǎng)箱（26 ℃和相對濕度80% ）中培養(yǎng)6 d，以促進真菌的生長。接種后每天采集30 份樣品（5 份樣品×5個菌株+5個空白樣品）進行電子鼻測量分析，直至第6天。用標準平板計數(shù)法（GB/T 4789.2—2016）測定樣品的菌落總數(shù)，結(jié)果用重復(fù)3 次實驗的平均值（lg（CFU/g））表示。采用ELISA法測定樣品中AFB的含量（GB/T 5009.22—2016《食品中黃曲霉毒素B族和G族的測定》）。

1.3.2 電子鼻信號測量

電子鼻數(shù)據(jù)采集實驗使用FOX 3000電子鼻設(shè)備，它包含對揮發(fā)性化合物不同靈敏度和選擇性的12個氣體傳感器。該系統(tǒng)由3 部分組成：采樣裝置、傳感器陣列組成的探測器單元和數(shù)據(jù)記錄和分析的模式識別軟件。電子鼻的工作原理是基于人鼻的工作原理，通過模擬鼻內(nèi)嗅細胞的傳感器陣列分析樣品的揮發(fā)性成分，然后這些信號被發(fā)送到模擬大腦功能的數(shù)據(jù)識別系統(tǒng)。傳感器陣列會產(chǎn)生一種特殊的氣味輪廓，稱為指紋圖譜，以響應(yīng)揮發(fā)性分子與樣品的相互作用，通過將獲得的氣味輪廓與簡單的氣味標準進行比較識別混合物成分。指紋圖譜的變化可能是由于新化合物的形成或原始揮發(fā)性化合物數(shù)量的變化。當氣體接觸傳感器時會發(fā)生氧化還原反應(yīng)，從而可以改變傳感器導(dǎo)電材料的導(dǎo)電性。采用適當?shù)牟蓸酉到y(tǒng)可以提高分析質(zhì)量。頂空氣體采樣系統(tǒng)通過消除影響傳感器響應(yīng)的任何不利因素，可提供穩(wěn)定和可重復(fù)的采樣，含有揮發(fā)性化合物的樣品的頂部空間通過氣流輸送到傳感器室。讀取響應(yīng)值后，用惰性氣體電流吹掃兩個腔室，以去除任何可能的殘余氣味，并避免交叉污染。具體而言，將5 g樣品置于20 mL玻璃瓶中進行電子鼻分析，以提供固、氣相處于平衡狀態(tài)的環(huán)境。對每個樣品進行2 次重復(fù)，取平均值用于進一步分析。

1.4 多元統(tǒng)計分析

在本研究中，使用Matlab2015a和（美國Mathworks公司）和Unscrambler X 10.4軟件進行數(shù)據(jù)預(yù)處理和模型開發(fā)。首先，利用主成分分析（principal component analysis，PCA）檢測分組模式。然后通過線性判別分析（linear discriminant analysis，LDA）和偏最小二乘判別分析（partial least squares-discriminant analysis，PLSDA）分別對產(chǎn)毒菌株和非產(chǎn)毒菌株、根據(jù)菌落總數(shù)、AFB含量超標與否進行定性分析。這些方法在文獻中被廣泛使用，并對其進行了大量描述。通過外部驗證結(jié)果評估LDA和PLS-DA模型。在外部驗證中，采用Kennard-Stone算法，將6組樣品的數(shù)據(jù)分別按2∶1的比例隨機分成建模集和預(yù)測集。LDA和PLS-DA分類模型的性能通過正確分類樣本的百分比和假陽性/陰性錯誤評估。

2 結(jié)果與分析

2.1 花生樣品菌落總數(shù)與AFB1含量分析

2.1.1 菌落總數(shù)分析

由圖1a可知，空白組平均菌落總數(shù)明顯低于實驗組，不同菌株的生長速率也不同，黃曲霉142801菌落總數(shù)在貯藏2 d后明顯高于其他菌株。貯藏初期，霉菌生長緩慢，甚至有些菌落總數(shù)減少，可能是由于花生表面接種菌株，其生長需要適應(yīng)新的環(huán)境。除第1天外，空白和污染樣品的菌落總數(shù)均呈上升趨勢，感染程度繼續(xù)加深，這說明隨著時間的推移，霉菌在樣品中生長，產(chǎn)生大量的代謝物，從而使花生樣品揮發(fā)性成分更加復(fù)雜。因此，它為基于氣味信息的污染樣品的快速識別提供了可能。參照前人的研究，花生樣品按菌落總數(shù)可分為合格（＜2.7（lg（CFU/g））和霉變（≥2.7（lg（CFU/g））兩個階段?？瞻讟悠吩谇? d雖合格，但從第3天開始，由于環(huán)境影響，菌落總數(shù)也在穩(wěn)步上升。除黑曲霉186380外其他接種的樣品在第3天均達到發(fā)霉狀態(tài)，而接種黑曲霉186380樣品第5天達到發(fā)霉狀態(tài)。

圖1 花生樣品貯藏0～6 d的平均菌落總數(shù)（a）和平均AFB1含量（b）Fig. 1 Average number of colonies (a) and average AFB1 content (b) in peanut samples stored for 0–6 days

2.1.2 AFB含量分析

由圖1b可以看出，黑曲霉186380、黃曲霉185691和空白組無明顯變化，主要是由于這兩種菌株為非產(chǎn)毒菌株，雖然會有霉菌繁殖，卻并未產(chǎn)生AFB。而寄生曲霉335939、黃曲霉142801和黃曲霉185860為產(chǎn)毒菌株，霉菌繁殖的同時產(chǎn)生了有毒的真菌次級代謝物，從而呈上升趨勢。參照GB 2761—2017，樣品可根據(jù)AFB含量分為兩類：正常（＜20 μg/kg）和污染（≥20 μg/kg）。黑曲霉186380、黃曲霉185691和空白組在第7天前均正常且含量遠低于20 μg/kg。然而，其他樣品在第3天被污染，且在貯藏后期由于繁殖迅速，產(chǎn)生大量毒素，危害人畜健康。因此，在更嚴重的情況發(fā)生前的早期確定污染水平具有重要意義。

2.2 電子鼻信號分析

從圖2a可知，不同污染樣品之間具有相似的趨勢，但仍存在一些差異。其中LY2/G、T30/1、T70/2和PA/2的響應(yīng)值有顯著差異，而LY2/LG、LY2/gCT和P40/1的響應(yīng)值無明顯變化。參考其他文獻中描述各傳感器的檢測范圍，花生霉變后可能產(chǎn)生碳氫化合物、芳香族類化合物等物質(zhì)，且不同的真菌會產(chǎn)生不同的次生代謝產(chǎn)物，因此與這些產(chǎn)物相關(guān)的傳感器就會發(fā)出不同信號?；ㄉY(jié)果表明，6種不同樣品的揮發(fā)性成分存在差異，為電子鼻技術(shù)區(qū)分不同霉菌侵染花生提供了可行性。

圖2 花生樣品貯藏第4天（a）、黃曲霉185860污染樣品在不同貯藏階段（b）12個傳感器響應(yīng)值的雷達圖Fig. 2 Radar chart of 12 sensors’ response values for all peanut samples on the fourth day of storage (a) and radar chart of A. flavus 185860 contaminated samples at different storage stages (b)

由圖2b可知，黃曲霉185860污染樣品與其他被污染樣品有類似響應(yīng)雷達圖。隨著貯藏時間的延長，不同傳感器呈現(xiàn)出一定變化趨勢。T30/1、T70/2和PA/2的響應(yīng)信號隨污染程度的增加而逐漸減弱，而LY2/G、LY2/AA和LY2/GH的響應(yīng)信號逐漸增強。說明在霉菌代謝過程中消耗花生中的營養(yǎng)物質(zhì)，并產(chǎn)生胺、氨類化合物等物質(zhì)，導(dǎo)致代表不同物質(zhì)的電子鼻傳感器發(fā)出不同的信號，因此為電子鼻技術(shù)區(qū)分不同霉變程度的花生提供了可行性。

2.3 PCA結(jié)果

采用3種不同分類方法對花生樣品進行了PCA。PC1和PC2均代表99%以上的方差貢獻率，占原始數(shù)據(jù)方差貢獻率的大部分，可以解釋大多數(shù)樣本感染水平的差異。

圖3a是根據(jù)5種菌株是否產(chǎn)生黃曲霉毒素將樣本分為兩組（產(chǎn)毒菌株和非產(chǎn)毒菌株），分別為105 份和70 份樣品。從圖3a可以觀察到一定的聚類趨勢。雖然有一小部分樣本重疊，但大多數(shù)樣本可以被區(qū)分，產(chǎn)毒菌株污染的樣品大多數(shù)位于非產(chǎn)毒菌株污染樣品的右上方。

圖3b、c分別以AFB含量20 μg/kg、菌落計數(shù)2.7（lg（CFU/g））為閾值，將樣品分為正常/超標及合格/霉變兩類。然而，樣品之間沒有明顯的分離，原因可能是不同菌株信息的復(fù)雜度高或不同菌株之間存在相互干擾。但從圖中也可以看出污染樣品一部分位于可接受樣品的上方。綜合觀察圖3b、c可以看出毒素超標的樣品均達到了霉變，而某些樣品雖然達到了霉變程度，但其黃曲霉毒素含量并未超標，這類樣品可用于動物的飼料。

盡管PCA結(jié)果并不理想，但這些差異仍為進一步的判別分析提供了基礎(chǔ)。

圖3 3種不同分類方法PCA結(jié)果Fig. 3 PCA results with three different classification methods

2.4 識別模型的開發(fā)和驗證

PCA可以得到樣本間的聚類趨勢，但不能得到具體的分類結(jié)果。因此，LDA和PLS-DA模型被用來提高樣品之間的分離度。LDA模型是基于PCA得到的前10個PCs，因為它們覆蓋了原始數(shù)據(jù)中包含的大多數(shù)變化（＞99%）。PLS-DA是一種基于偏最小二乘回歸的有監(jiān)督分類方法。它可以檢測數(shù)據(jù)與分類變量之間的關(guān)系，并可用于未知樣本的分類預(yù)測。樣本將被分成幾組，其中2/3樣品用于建模集，其余1/3樣品用于預(yù)測集。

2.4.1 產(chǎn)毒菌株和非產(chǎn)毒菌株污染樣品分類結(jié)果

表1 產(chǎn)毒菌株和非產(chǎn)毒菌株污染樣品分類結(jié)果Table 1 Classification results of contaminated samples with toxigenic and non-toxic strains

將5種真菌污染的樣品分為產(chǎn)毒菌株和非產(chǎn)毒菌株污染樣品。黃曲霉142801、黃曲霉185860和寄生曲霉335939為產(chǎn)毒菌株污染樣品（105 份），黑曲霉186380和黃曲霉185691為非產(chǎn)毒毒菌株污染樣品（70 份）。樣品分類結(jié)果見表1。結(jié)果顯示，LDA和PLS-DA模型能較好地區(qū)分同一貯藏時間下產(chǎn)毒菌株和非產(chǎn)毒菌株污染樣品，除第0天LDA模型外，建模集和預(yù)測集均達到100%，其中第0天僅有1 份樣品被誤判。所有樣品LDA和PLS-DA模型的建模集正確率分別為95.73%和97.44%，預(yù)測集正確率均為96.55%，分別有7 份和5 份樣品被誤判，可能由于不同霉菌的繁殖速率不同，導(dǎo)致不同節(jié)點產(chǎn)生的揮發(fā)性成分變化復(fù)雜，存在相互干擾。

2.4.2 根據(jù)AFB含量分類結(jié)果

表2為根據(jù)AFB含量（正常和超標）對樣品進行分類。所有平均建模集正確率為99.28%，平均預(yù)測集正確率為87.25%。LDA模型中，黃曲霉185860組中有1 份樣品被誤判，寄生曲霉335939、黃曲霉142801組中分別有2 份樣品被誤判，僅有寄生曲霉335939組樣品假陰性誤判率為5.0%，其余均為正常樣品被誤判為超標樣品。PLS-DA模型結(jié)果與之相似。另外，全部樣本模型的建模集正確率分別為90.71%和91.43%，預(yù)測集正確率均為90.00%。在貯藏過程中，花生樣品中的脂肪、蛋白質(zhì)等營養(yǎng)物質(zhì)會被霉菌消耗，從而產(chǎn)生大量的毒素和揮發(fā)性物質(zhì)，導(dǎo)致電子鼻的響應(yīng)值與貯藏前有較大差異。但霉菌產(chǎn)生的揮發(fā)性成分復(fù)雜，可能會存在互相干擾。沈飛等利用電子鼻技術(shù)檢測糙米中的黃曲霉毒素，顯示電子鼻信號與糙米中AFB、AFB、AFG、AFG及總量之間均有較高相關(guān)性，其中對AFB的預(yù)測精度最高。因此電子鼻技術(shù)對霉菌毒素的快速檢測具有可行性。

表2 根據(jù)AFB1含量分類結(jié)果Table 2 Results of classification according to AFB1 content

2.4.3 根據(jù)菌落總數(shù)分類結(jié)果

表3為根據(jù)菌落總數(shù)（合格和霉變）對樣本建立的LDA和PLS-DA模型結(jié)果。對于感染同一菌株的樣本，模型的平均建模集正確率為95.65%，預(yù)測集正確率為86.44%。在兩個模型中，黃曲霉185691組、黃曲霉185860組分別有2、3 份樣品被誤判，寄生曲霉335939組中有2 份樣品被誤判，黃曲霉142801組中有1 份樣品被誤判，而黑曲霉186380組最多，有5 份樣品被誤判。但除黑曲霉186380組有2 份外，其他僅有1 份發(fā)霉樣品被誤分類為合格樣品。假陰性非常重要，因為霉變樣本的錯誤分類會增加真菌感染和真菌毒素暴露的風(fēng)險。另外，在210個樣本中，建模集和預(yù)測集的正確分類率分別為85.00%、81.69%和80.28%。可能出現(xiàn)的原因是不同霉菌之間揮發(fā)性成分復(fù)雜，存在互相干擾。除此之外，位于閾值附近的樣品也容易發(fā)生誤判。劉鵬利用電子鼻技術(shù)檢測花生受不同霉菌的污染程度，其真菌生長的水平同樣隨貯藏時間而變化。因此LDA、PLS-DA能夠識別和分類有無真菌感染的樣本，以及不同貯藏時間的真菌感染程度的樣本。

表3 根據(jù)菌落總數(shù)分類結(jié)果Table 3 Results of classification according to number of colonies

基于不同方面分別對電子鼻數(shù)據(jù)進行建模分析，結(jié)果表明，可以根據(jù)菌株產(chǎn)毒能力、菌落總數(shù)、毒素含量分別進行定性分析，模型正確率在80%以上。在實際生活中，某些受污染的花生雖然霉變，但并未產(chǎn)生AFB，此類花生可用于動物的飼料，可大大減少資源的浪費。將菌株產(chǎn)毒能力結(jié)合菌落總數(shù)共同建立模型，樣品分為4 類：合格/非產(chǎn)毒菌株污染樣品、霉變/非產(chǎn)毒菌株污染樣品、合格/產(chǎn)毒菌株污染樣品、霉變/產(chǎn)毒菌株污染樣品。其中建模集總正確率為81.42%，預(yù)測集總正確率為74.29%。為區(qū)分霉變但含少量毒素的這類樣品提供了可能性。此外，有些樣品雖然受到產(chǎn)毒菌株的污染，但如果在早期得到檢測，較早地采取措施，也可以避免花生的浪費。將菌株產(chǎn)毒能力結(jié)合AFB含量共同建立模型，由于非產(chǎn)毒菌株污染樣品的毒素含量遠低于超標含量，故將樣品分為3 類：非產(chǎn)毒菌株污染樣品、正常/產(chǎn)毒菌株污染樣品、超標/產(chǎn)毒菌株污染樣品。其中建模集總正確率為84.29%，預(yù)測集總正確率為85.71%。因此可以早期區(qū)分出正常/產(chǎn)毒菌株污染樣品，這類樣品可通過降解毒素等方式用于其他用途。將菌落總數(shù)結(jié)合AFB含量共同建立模型，樣品分為3 類：正常/毒素未超標樣品、霉變/毒素未超標樣品及霉變/毒素超標樣品。建模集總正確率為82.14%，預(yù)測集總正確率為81.43%。以上結(jié)果表明，電子鼻技術(shù)為同時快速檢測花生樣品中霉菌和黃曲霉毒素污染提供了一種新的可能手段。然而在實際情況下，受霉菌菌屬多樣性、花生品種和貯藏環(huán)境等多方面的影響，模型精度和穩(wěn)健性可能會有所降低。因此，進一步應(yīng)通過不斷擴充樣本數(shù)量、采用自然霉變花生等方式，不斷驗證和改善分析模型性能，以滿足實際檢測需求。

3 結(jié) 論

探討了電子鼻技術(shù)在花生霉菌和黃曲霉毒素污染同步快速檢測中的應(yīng)用。PCA結(jié)果顯示樣品在不同霉菌污染下有一定的聚類趨勢；采用LDA、PLS-DA法可以很好將單一霉菌侵染樣品的霉變程度及毒素含量進行分類，正確率均在80%以上。同樣也采用這些方法對全部樣品進行分類，對產(chǎn)毒菌株樣品和非產(chǎn)毒菌株樣品分類正確率超過95%，根據(jù)霉變程度及毒素含量分類正確率也在80%以上，均取得了較高的分析準確率。綜上可知，基于電子鼻傳感的氣味分析技術(shù)，在花生霉變狀態(tài)和毒素污染程度同步快速識別方面具有可行性，為花生等糧油霉變早期監(jiān)測和風(fēng)險評估提供了一種新的技術(shù)手段。