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障礙以及神經系統紊亂等[2,3]。同時，污染了DON的糧食在加工過程中可能會產生一些相關技術性問題，如影響啤酒麥芽化(抑制酶合成)、發酵(抑制酵母生長)或烘焙產品品質[4]。

DON對糧食及其制品的污染是一個世界性問題。基于DON的危害，世界各國各組織對DON在糧食中限量進行了規定，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查研究也表明，DON檢出率較高，部分地區超標嚴重。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污染分別由產前和產后兩個階段產生，產前主要指收獲前的田間耕作過程，產后主要指糧食在農戶、糧食經紀人、糧庫、物流、食品加工企業的收獲、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，糧食產后安全得到了有力保障，糧食在產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定，導致真菌毒素積累，且不同地區，不同年份間差異較大[9]。因此，尋找預測DON發生的方法，從而實施有針對性的預防措施，轉變“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，各個國家和地區在DON污染風險預警方面進行了很多研究。DON的產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系。關于DON的風險預警，目前國際上也有很多專家學者進行了相關研究，面向不同的服務對象，包括國家、區域以及農戶和糧食經紀人，建立了一些DON預警模型。本文介紹了DON預警的相關研究進展及模型。

表1 谷物中DON限量

1 DON產生因素研究現狀

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的產生取決于鐮刀菌類型、作物品種和性質、作物生長期間管理措施以及收獲、處理和儲存條件。產生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、病蟲害情況和產毒真菌等。

1.1 氣象因素

在眾多影響小麥DON產生的因素中，以氣象數據統計結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產生影響最大的為濕度[21]。Mvller等[22]研究表明，濕潤地區(年平均降水量>550 mm)DON污染顯著高于干燥地區(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產生；小麥Aw在0.9以上，盡管溫度低至15 ℃，產毒菌也可以正常生長，間接證明了濕度對DON產生具有很大的影響。此外，作物Aw不同，DON及其衍生物產生的比例也不同。Medina等[24]研究表明DON及其衍生物3-乙酰基脫氧雪腐鐮刀菌烯醇(3-acetyl-deoxynivalenol，3-AC-DON) 和15-乙酰基脫氧雪腐鐮刀菌烯醇(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，而且根據Edwards等[25]的研究，小麥生長過程中降雨不僅會導致DON污染發生，降雨規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產生顯著相關，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產生有很強的相關性[26]，說明DON產生不是單一條件作用的結果，而是在共同滿足多種條件的情況下產生的。

開花期和收獲期的天氣是影響DON產生的主要因素[27]，在研究氣象對DON產生影響的過程中，一般是以作物生長期為時間節點，但也有研究以自然月為時間節點進行氣象數據的統計，根據Landschoot等[28]的研究結果表明，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，關于DON預警的研究不僅限于氣象條件，關于作物本身特性和耕種方式等是否會導致DON積累的相關研究也越來越多。

作物信息主要是指作物品種和抗性。有研究發現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分，抗性等級越高DON污染水平會顯著降低。

耕作方式與DON產生的相關因素主要包括翻耕、輪作、收獲時間、殺真菌劑的使用、采收方式、施肥情況、灌溉、土壤質地和作物密度等。研究發現播種前對土壤進行翻耕會增加DON發生風險，且翻耕深度越深，風險越大[34-36]。輪作即上季節種植作物，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]，其中上季節輪作作物為玉米時，DON發生風險最高[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生的[39,40]。Schaafsna等[37]研究發現機械采收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含量的變化規律與土壤質地、排水條件、作物密度和耕作方式有關。

然而不同國家和地區在耕作方式中的研究結果不盡相同，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會存在差別，不僅體現在是否與DON污染程度顯著相關，也體現在不同耕作方式權重也各不相同。

1.3 病蟲害

此外，小麥的病蟲害對DON產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]研究發現目測的赤霉病粒與DON有顯著關系，但顯著性與小麥品種、地理位置等有一定關系，對于不同小麥品種和不同地區，顯著性也存在差異。Miedaner等[44]的研究同樣表明，赤霉病(Fusariumhead blight，FHB，染病植株的比率)的發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，且FDK與DON相關性更好。除赤霉病和鐮刀菌污染顆粒的研究外，根據Nesic等[45]的分析，作物種植期間昆蟲的發生會破壞小麥籽粒，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上，對引起嘔吐毒素產生的原因進行了深入探討，主要以DON產毒真菌為主。Heraud等[30]研究小麥中DON污染情況與土壤中鐮刀菌含量的關系，發現小麥生長期土壤表層鐮刀菌含量對小麥中DON 的產生有很大影響。Schmidt-Heydt等[46]研究了在不同環境下菌株中TRI基因的表達，研究發現環境對DON產生的影響與對TRI基因表達的影響一致，結果表明TRI基因表達與DON產生有著直接關系。

2 DON預警模型

當前，很多專家學者通過歷史數據和實驗數據建立DON預警模型，用于預測即將收獲或已收獲的當季作物DON發生情況。國際上現有的DON預警模型主要分為三類，分別為回歸模型、機理模型和神經網絡模型。回歸模型主要是對統計關系進行定量描述的一種數學模型，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據。神經網絡是由大量的、簡單的處理單元(稱為神經元)廣泛地互相連接而形成復雜網絡系統，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，與回歸模型相比，神經網絡模型更容易分析變量之間的依賴關系，管理非線性交互，并組合不同種類信息，如檢測數據、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典方法，也是目前應用最為廣泛的模型。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、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系數為0.78。該模型基于2001—2008年連續8年共425組數據建立，考慮了各方面因素，預測準確率高。2014年，Van der Fels-Klerx等[47]用不同的樣本數據對模型進行了評估，預測準確率達到了94%，但是建模使用的數據中只有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，其他地區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個樣品的數據，利用抽穗期前后不同時間段的氣象數據，按照不同降雨量分別建立了3個模型。建模采用的氣象數據分別為日最低溫小于10 ℃的天數(TMIN)、日最高溫大于32 ℃的天數(TMAX)、降雨量大于3 mm的天數(RAINB、RAINC)、降雨量大于5 mm的天數(RAINA)等，預測準確率達到73%，為定性預測模型。該模型根據不同需求和降雨情況對DON的發生進行了預測，且對模型的使用沒有太多限制，增強了模型適用性，但該模型沒有應用其他地區數據進行驗證，無法得知在其他地區的預測準確率，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]在比利時不同地區建立了7～12個實驗田，通過接種DON的產毒菌，使小麥感染并產生DON。在2002—2011年10年數據積累的基礎上，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)，定量模型中相關系數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果。以自建的實驗田得到的數據進行分析建立模型，由于自建實驗田在地區選擇和管理方式上進行了人為控制，使建模數據更加干凈，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組數據為基礎，考察了8種氣象因素與DON產生的關系，為定性模型，準確率達到79%。但該模型建立的基礎數據只有76組，數據量嚴重不足，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，探討在作物生長過程中對DON產生影響的因素，并建立關系式，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產生的影響，如圖1。根據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，將各因素與毒素產生的內在關系進行了解釋和描述，但該模型在各影響因素權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計回歸方法進行結合，將有利于模型的改進。

圖1 機理模型實驗設計圖解

2.3 神經網絡模型

神經網絡最早由心理學家和神經生物學家提出，由于神經網絡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注。在神經網絡模型中，各種各樣的模型從不同角度對生物神經系統進行不同層次的描述和模擬。一個經典的神經網絡包含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。神經網絡最大的優點是不需要同時具有所有輸入參數就可以進行預測，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年間的數據，以氣象數據為連續輸入變量，以作物品種和前茬作物為分類輸入變量，訓練神經網絡進行DON含量預測。該模型的優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，其結果與回歸模型和機理模型得到的結果一致。該模型利用神經網絡建立了氣象和耕種信息與DON的關系，雖然得到的結果與他人的研究一致，但神經網絡仍然是一個黑匣子，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，再進行統計分析和實驗，將3種模型進行結合。

圖2 神經網絡模型的結構

2.4 模型的對比

通過觀察和對比各種預警模型，發現不同模型均有其優點和缺點。劉程等[51]以荷蘭2001—2013年間625組數據為基礎，分別建立了回歸模型、機理模型和貝葉斯網絡模型(BN模型)3種模型，并使用2015—2016年87組數據分別對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：回歸模型是經典預警模型，其預測準確率最高，但其對數據要求也最高，只要缺少一種輸入變量，則無法進行預測，如果模型需要應用于其他地區則需要重新進行驗證和調整。BN模型是開放的，在用神經網絡進行計算的同時可以介入專家認知，對其進行適當干預，該模型對數據的要求比較低，即使只有一個輸入項，也能對結果進行預測[51]。機理模型的優勢在于其可以對DON高含量樣品進行準確預測。

回歸模型和貝葉斯網絡模型都屬于經驗模型，在建模地區可以進行較準確的預測，但在其他地區適用性較差。而機理模型模擬了真菌感染、生長和霉菌毒素產生的生物學過程，在其他地區進行預測更容易實現，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，這樣可以發揮各模型的優勢，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

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，但由于各國農業情況的差異，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，預測準確率基本高于70%，能夠預測大部分糧食產后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有真菌毒素預測模型。且在除模型構建地區以外區域，預測模型的準確率不高[17]，導致不能對其進行推廣應用。這可能是由于不同地區地形、氣候、糧食品種、農業情況和微生物的差異造成的。因此我國急需對國內糧食典型種植區域DON發生的影響因素進行研究，建立適用于我國的DON預警模型，對我國糧食主產區DON發生進行提前預警，從源頭保障糧食安全。