食品農藥殘留檢測中的化學計量學研究進展

陳晟，羅佳瑤，蔣立文，2，李跑，2，*

（1.湖南農業大學食品科技學院，湖南長沙410128；2.食品科學與生物技術湖南省重點實驗室，湖南長沙410128）

食品安全中的農藥殘留問題始終是食品分析領域的熱點課題，但現階段仍較難實現準確的定性定量分析。究其原因，首先是因為食品種類繁多且大多成分復雜，在檢測中易產生基質效應從而干擾實驗結果[1-2]；其次農藥的品種眾多且常被混合施用，同時殘留在食品中的農藥含量僅為痕量水平甚至更低，導致檢測儀器的選擇受限[3-5]；另外，食品若經過不同的加工處理，其中殘留農藥的成分及濃度也會隨之發生不同程度的變化[6]。以上影響因素的存在均給實際食品農藥殘留的測定帶來了困擾。

由于食品中農藥殘留的檢測十分棘手，改進和發展新型分析方法顯得尤為關鍵。目前光譜法、色譜法和快速檢測法在食品農藥殘留的檢測中已被廣泛應用。其中快速檢測法如酶抑制法、免疫分析法等，雖然安全經濟、不受環境的限制，但是其檢測專一且回收率與重復性不高，不適于復雜食品樣品農藥殘留的檢測分析。色譜法作為大多數食品農藥殘留檢測的國標法，現已發展得十分成熟，但也存在操作費時與前處理繁瑣等缺陷，而光譜法以快速無損的優勢成為了食品農藥殘留檢測的新方向[7]。常用于農藥殘留檢測的光譜法有拉曼光譜法、近紅外光譜法（near infrared spectroscopy，NIRS）以及熒光光譜法。傳統的光譜法由于檢測限的問題無法直接用于農藥殘留的測定，近年來科學家對此做出了大量改進研究。普通拉曼光譜法不能達到痕量檢測水平，但新型拉曼光譜法如表面增強拉曼光譜法（surface-enhanced raman spectroscopy，SERS）有力地克服了該缺點[8]；近紅外光譜法雖然有著吸收強度弱、檢測限高等劣勢，但是其配合富集技術便可以實現低含量農藥殘留的檢測[9]；三維熒光光譜法在熒光光譜法的基礎上進一步提高了靈敏度，能為食品農藥殘留的檢測提供新手段[10]。這些技術的發展極大地提高了光譜的檢測靈敏度，使得光譜法可以實現對果蔬和糧食中殘留農藥的快速可靠分析[11-13]。

然而對于復雜食品樣品中農藥殘留的光譜分析，除了食品基質成分會對測定造成干擾外，實測的拉曼和近紅外信號還常伴有高頻噪聲和連續緩慢的背景干擾；并且檢測信號容易重疊，因此大多需要構建多元校正模型才能實現對光譜數據的分析[14-15]。熒光光譜法雖然可以直接分析光譜數據，但針對多組分重疊嚴重的熒光信號，仍無法實現農藥殘留組分的準確定量分析[16]。除光譜法之外，色譜法如氣相色譜法（gas chromatography，GC）以及氣相色譜-質譜（gas chromatography-mass spectrometry，GC-MS）、高效液相色譜-質譜（high performance liquid chromatography-mass spectrometry，HPLC-MS）和高效液相色譜-二極管陣列檢測器（high performance liquid chromatographydiode array detector，HPLC-DAD）等聯用技術，適用于大部分食品中農藥殘留的測定[17-19]。可是對于日趨復雜的食品農藥殘留分析，目標組分的測定不僅會受到基質成分的嚴重干擾，色譜檢測信號中也不可避免地出現背景干擾和譜峰重疊等現象，給復雜信號中農藥殘留組分信息的提取造成了極大的阻礙。無論采用何種檢測技術，所獲取的都是殘留在食品樣品中有關農藥成分的各種類型的信息數據，但這些信息數據又難以用常規方法取得滿意分析結果，而化學計量學方法擁有“數學分離”的思想，能最大限度的處理和分析檢測所得的信號。因此，針對以上存在的問題，化學計量學方法可以被借助用于信號中噪聲的濾除、背景基線的校正、多元校正模型的建立以及重疊信號的解析。文章概述了近十年相關化學計量學方法在食品農藥殘留分析中的應用研究，并對其在食品分析中的應用現狀進行了思考與展望。

1 噪聲的濾除

食品中的農藥殘留分析，除了容易受到復雜基質成分的測定干擾外，還存在噪聲和背景等外界干擾。采用拉曼光譜法和近紅外光譜法分析果蔬中農藥殘留含量時，光譜儀器本身以及外界溫度等環境因素的變化容易導致光譜信號中存在較大的噪聲。劉民法等[20]利用近紅外高光譜技術分析了長棗表面的農藥殘留種類。在該研究中，利用應用最廣泛的卷積平滑（savitzky-golay，S-G）方法對900 nm～1 700 nm的光譜進行了預處理，有效地減小了高頻噪聲的影響從而改善了后續分析的結果。劉翠玲等[21-22]采用表面增強拉曼光譜法對菠菜表面和蘋果汁中的農藥殘留進行了有效測定。為了實現SERS信號的平滑處理，該課題組利用S-G平滑法有效地降低了噪聲對信號的干擾。然而S-G平滑法在數據信號平滑性增強的同時，容易導致信號失真。為此，王曉彬等[23]利用小波變換（wavelet transform，WT）多尺度分析的特點，在多菌靈農藥樣品的分析中采用硬閾值法得到了60.927的信噪比，而經典平滑方法僅為57.976，表明該法能更好地濾除拉曼信號中的高頻噪聲。同樣為了消除儀器帶來的系統噪聲，李永玉等[24]利用小波閾值去噪法對拉曼信號進行了可靠地平滑處理，從而實現了對蘋果表面敵百蟲農藥的準確定量分析。此外，陳蕊等[25]在野外蔬菜表面農藥殘留種類的研究中，利用WT的獨特優勢對可見-近紅外光譜（visible and near-infrared spectroscopy，Vis-NIRS）進行去噪、壓縮及特征提取，并將預處理后的光譜數據進行主成分分析（principal component analysis，PCA）進而建立農藥殘留神經網絡感知器，表明該方法能被用于鑒別分類野外蔬菜表面所含的農藥殘留種類。綜上所述，基于WT的去噪方法有望在食品農藥殘留的分析中推廣應用。

2 背景基線的校正

受分析儀器本身的狀態、實驗操作環境以及樣品等因素的影響，檢測信號中常常存在不定的背景干擾、基線漂移等問題，給農藥殘留特征峰的峰位、峰寬和峰強度的確定帶來困難。針對光譜信號中存在的背景基線干擾，導數校正是常用的光譜預處理方法。翟晨等[26]建立了SERS無損測定蘋果中毒死蜱殘留的方法，其中就采用了二階導數和極小極大值自適應縮放法有效扣除了SERS信號中的熒光背景。為了檢測橄欖中的敵草隆殘留，Salguero-Chaparro等[27]利用NIRS開展了農藥殘留分析；作者利用二階導數和多元散射校正消除了信號背景及散射的影響，并建立了偏最小二乘-判別模型可以對85.9%的樣本進行正確分類，實現了對完整橄欖表面敵草隆殘留含量的監測。但是，導數校正法處理光譜信號時可能會導致信噪比降低，多項式擬合是另外一種基線校準的經典方法。徐田鋒等[28]和翟晨等[29]利用拉曼光譜法測定了菠菜和蘋果中農藥殘留的種類及濃度；該課題組對比分析了多種不同方法校正基線的效果，結果顯示多項式擬合預處理信號的效果最為顯著。多項式擬合雖能消除信號中的基線干擾，但其擬合階次通常難以把握，在實際分析中靈活性較差。此外，WT通過對原信號進行高低頻分解，可有效扣除低頻背景信號進而校正基線。Liu等[30]在傳統WT的基礎上建立了一種高效去除信號背景的自適應小波變換方法。該方法利用提升方案和最小均方（least mean square，LMS）的優勢，在快速識別并扣除其中低頻背景信號的同時還避免了信號被“過扣除”；采用拉曼光譜法和氣相色譜法分析農藥混合物時，依據所建立的方法成功扣除了分析信號中的背景。隨著背景校正算法被研究者不斷地改進與完善，基于自適應迭代懲罰最小二乘（adaptive iteratively reweighted penalized least squares，airPLS） 的方法繼而出現[31-32]。梅禎等[33]采用GC-MS對多種農藥混合物展開了分析，其中airPLS被成功用于色譜信號背景的自動化校正。由此可見，基于airPLS的背景校正法能更好地處理復雜光譜或色譜信號中的背景基線漂移問題，為農藥殘留分析中信號的預處理提供新思路。

3 多元校正模型的建立

拉曼光譜法和近紅外光譜法大多需要建立分析模型才能實現定性定量分析，因此屬于間接分析技術。在分析復雜樣品時，譜帶產生的重疊現象嚴重致使信號難以分辨，時常需要輔以化學計量學方法建立校正模型才能實現光譜數據的準確定量分析。Huang等[13]首先通過多元散射校正、標準正態變量變換和數據標準化來預處理SERS信號，然后通過偏最小二乘（partial least square，PLS）算法建立水稻中毒死蜱殘留的檢測模型；該模型對未知樣品的預測回收率為96.59%～104.69%，依據所建立的方法可以對目標農藥殘留進行快速準確的測定。為了實現龍眼表面農藥殘留的無損測定，代芬等[34]先利用PCA壓縮處理NIRS數據，并對其中的農藥殘留種類進行了聚類分析，最后BP人工神經網絡（back propagation artificial neural network，BP-ANN）算法被用于建立農藥殘留檢測模型，其對敵百蟲和敵敵畏殘留的檢測準確率分別為93%和80%。但是常用的單模型建模方法通常穩健性不高。為了提高模型的預測精度，嚴寒等[35]利用NIRS結合膜富集技術建立了大米中微量毒死蜱殘留測定的新方法。該方法首先利用聯合區間偏小二乘法（synergy interval PLS，siPLS）初步選取特征波長區間；隨后通過遺傳算法（genetic algorithm，GA）對特征變量進行第二步優選進而建立PLS預測模型；結果表明采用siPLS-GA的新型建模方法較之傳統方法能給出更好的精確度和穩定性，與實際檢測值的偏差絕對值控制在0.796%～7.448%。此外，Xue等[36]針對冗雜的光譜信號，先通過引入粒子群算法（particle swarm optimization，PSO）對特征變量進行可靠選取，再與PLS相結合提出了PSO-PLS的建模方法；所提出的方法成功用于臍橙表面敵敵畏殘留的Vis-NIRS分析。然而，在更復雜的光譜信號分析中，訓練集樣本數過少或奇異樣本的存在都會顯著影響傳統建模方法的精確性。針對這一問題，又發展了新型建模策略，如基于核函數的非線性校正方法[37]、集成的建模策略[38]等。其中在農藥殘留分析中應用最多的是Boosting-PLS算法[39]。為了測定番茄表面的微量硫丹殘留，袁文博等[40]采用Boosting-PLS算法，在訓練集樣本不多且預測集濃度較低的情況下依然建立了穩健精確的近紅外預測模型。因此，以集成建模策略為代表的多模型建模方法，有助于實現食品農藥殘留檢測中復雜光譜信號的精確定量分析。

4 重疊信號的解析

色譜及其聯用技術雖然以分析的精確性見長，但利用GC-MS、HPLC-DAD等分析日益復雜的食品樣品時，除了存在基質成分和噪聲背景的干擾，檢測信號還常常呈現譜峰重疊現象，給有用信息的提取帶來極大挑戰。為此，研究者提出了一系列解析算法。

試驗中采用GC-MS分析有機磷農藥混合物時，多組分色譜峰重疊難以分辨，為此梅禎等[41]通過研究對現有的免疫算法（immune algorithm，IA）進行了改進。其中快速升溫程序被用于快速洗脫農藥混合物，并結合IA算法解析混合組分從而獲得了較好的分析結果。Wu等[42]采用GC-MS，利用快速升溫程序結合IA算法在背景干擾存在的情況下依然對重疊信號進行了解析，實現了韭蔥樣品中撲草凈殘留的快速分析。但針對經典的IA算法不適于解析未知組分的局限性，Miao等[43]將目標因子分析（target factor analysis，TFA）與非負免疫算法（non-negative immune algorithm，NNIA）相結合建立了TFA-NNIA的方法。該方法被用于解析復雜重疊的GC-MS信號，在避免提供標樣信息的同時還能實現蔬菜農藥殘留分析中目標組分的準確提取。然而，該法仍存在不適于解析較多共存組分的缺點。因此，Wu等[44]建立了一種重疊GC-MS信號分析的新方法。所建立的方法先利用獨立成分分析（independent component analysis，ICA）和迭代目標轉換因子分析（iterative target transformation factor analysis，ITTFA）的特點對重疊GC-MS數據進行多重篩查，在此基礎上采用NNIA算法解析色譜信號，即能對48種農藥混合物的色譜信息實現自動化地提取。此外，本課題組[45]為實現重疊信號的高通量分析，以17種和42種復雜農藥混合物作為檢測對象，提出了移動窗口目標轉換因子分析（moving window target transformation factor analysis，MWTTFA）結合NNIA的方法來解析復雜重疊的色譜信號；結果表明該方法可準確判斷感興趣組分是否存在進而在10 min時間內提取GC-MS數據。多元曲線分辨-交替最小二乘（multivariate curve resolution-alternating least squares，MCRALS）是常被用于復雜食品樣品分析的另外一種方法，其通過解析重疊信號可以直接從中提取目標組分的信息。由于測定果汁等基質中的混合農藥殘留十分困難，Boeris等[46]利用HPLC-DAD對此展開了研究。除了色譜峰的重疊變形之外，信號還存在食品基質組分和未知的背景干擾，盡管如此，作者利用MCR-ALS直接對重疊組分進行解析，準確得到了果汁和果蔬中5種農殘的含量；其中殘殺威、多菌靈、噻苯唑、麥穗寧以及西維因的檢測限分別為 12.00、2.30、0.90、0.46、0.32 μg/L。Sousa等[47]采用HPLC-DAD分析了蔬菜樣品中多菌靈等7種農藥殘留物的含量；由于色譜峰重疊變形嚴重，作者利用MCR-ALS解析信號，在降低分析物損失的同時實現了農藥殘留含量的可靠分析。此外，Albuquerque等[48]將MCR-ALS和多元曲線分辨-加權交替最小二乘（multivariate curve resolution-weighted alternating least squares，MCR-WALS）以及非負矩陣因式分解（non-negative matrix factorization，NMF）相結合，用于重疊SERS信號的處理，成功恢復了光譜數據進而實現了對番茄和李子果皮中馬拉硫磷殘留的有效測定。

以上的解析算法雖然得到了成熟應用，但仍無法滿足日漸復雜的數據處理要求；同時伴隨著高階分析儀器的出現，如全二維液相色譜-質譜聯用儀等，這些儀器產生的高維數據中含有豐富的化學信息，而常規方法又難以處理這些數據。因此，基于二階校正的平行因子分析（parallel factor analysis，PARAFAC）應運而生。這類方法能在未知干擾存在的情況下對復雜的農藥殘留信號進行可靠解析，具有著名的“二階優勢”[49-50]。Herrero等[51]采用GC-MS耦合程序升溫汽化器對橘子中的三嗪類殘留進行了測定；為解決色譜洗脫時間變化及背景干擾等問題，作者采用PARAFAC來解析重疊色譜信號，實現了商業橘子中三嗪類殘留的準確定量分析。此外，Montemurro等[52-53]將PARAFAC和展開偏最小二乘/殘差三線性化（unfolded partial least-squares combined with residual trilinearization，U-PLS/RTL）方法引入HPLC以及三維熒光構造的四維數據分析中，利用這些算法特殊的“高階優勢”處理復雜數據，成功實現果汁中農藥殘留含量的高靈敏分析。三階校正算法是化學計量學方法的前沿研究領域，其在二階之上引入額外一維，在分析中具有更高的維度優勢，能更好地避免背景干擾和基體效應。其中報道最多的是四維平行因子分析（four-way PARAFAC）。Rubio等[54]利用三維熒光光譜法開展了生菜中氨基甲酸酯類農藥的定量分析；針對信號中目標農藥殘留組分和食品基質組分均重疊嚴重的問題，作者結合樣品提取物不同的稀釋度成功構造了四維熒光數據，并借助Four-way PARAFAC方法解析復雜的四維數據，很好地得到了不同稀釋度下目標農藥殘留的分析結果。目前，高階分析儀器還不多，相對應的高階校正算法的研究應用還處在探索階段，但是其擁有的潛能卻吸引著越來越多的研究者去挖掘與發現。

5 小結與展望

借助化學計量學方法的數學模型與理念，食品分析中的許多問題都得到了解決與改善，極大地推動著農藥殘留研究向簡單、快速、高效和自動化的方向發展。同時，伴隨著新型檢測技術的推廣，如高光譜成像技術、高階量分析技術等，可以為食品中農藥殘留的檢測提供新的手段。而新的化學計量學方法的創新與發展，尤其是高階校正算法的發展將是一個極具潛力的研究方向；不同化學計量學方法之間的交叉結合產生新的算法，往往也能發揮更大的農藥殘留分析優勢。然而，大多化學計量學方法本身或多或少都存在一定的缺陷，在食品農藥殘留分析中很難取得滿意效果；此外，在食品農藥殘留檢測中以化學計量學為指導的研究還不多，很多化學計量學領域的新方法都尚未在食品分析中得到應用。所以，如何更好地將化學計量學方法結合分析技術運用到食品農藥殘留檢測中來，仍是一個值得深入探究的課題。