光譜分析在食品成分檢測中的應用

摘 要：光譜分析技術以其快速、無損、環保等特點，在食品成分檢測中得到了廣泛應用。本文綜述了光譜分析技術在食品成分檢測中的應用現狀，分析了其面臨的成分鑒定分辨率不足、基質效應干擾檢測、數據處理復雜等挑戰，并提出了相應的對策建議，包括提升儀器分辨率、應用基質校正技術、優化數據處理算法等。通過不斷優化技術手段，光譜分析技術將在食品成分檢測領域發揮更大的作用，為保障食品安全提供重要技術支撐。

關鍵詞：光譜分析；食品成分檢測；基質效應

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

隨著社會的發展和人們生活水平的提高，消費者對食品安全和營養品質的要求日益提升，精準、快速地檢測食品成分成為保障食品安全、滿足消費者需求的關鍵[1]。光譜分析技術以其快速、無損、環保等特點，在食品成分檢測領域得到了越來越廣泛的應用。

1 光譜分析技術原理及其在食品成分檢測中的應用

光譜分析技術是利用物質與電磁輻射相互作用的原理，通過分析物質吸收、發射或散射光譜的特征來鑒定物質成分及含量的一類分析方法。根據電磁波頻率范圍的不同，光譜分析技術可分為紫外-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，這些光譜技術各有所長[2]。例如，在蛋白質含量測定方面，紫外-可見分光光度法利用蛋白質在280 nm處的特征吸收峰，通過比色原理實現定量分析；在脂肪酸組成分析方面，氣相色譜-質譜聯用技術可對脂肪酸甲酯化產物進行分離和定性定量分析；在食品中農藥殘留檢測方面，液相色譜-串聯質譜具有極高的靈敏度和選擇性，可同時分析數百種農藥殘留。近年來，傅里葉變換紅外光譜、近紅外光譜、拉曼光譜等技術在食品品質與安全檢測中得到越來越多的應用[3]。這些技術無須對樣品進行復雜的前處理，可實現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容及指標

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

3 光譜分析技術在食品成分檢測中的應用挑戰

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檢測食品成分過程中面臨的一大挑戰。食品中常含有數以千計的化合物，其中許多成分的光譜特征相似，導致光譜峰重疊，難以實現準確識別和定量。以植物源性食品中的多酚類化合物為例，其結構相似性高，如黃酮類化合物桑色素和槲皮素在紫外-可見光譜上表現出相似的吸收峰形，僅憑光譜信息難以區分。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附近均有較強吸收，且峰形相似，難以直接定性[5]。盡管聯用技術（如液相色譜-質譜）可在一定程度上提高分離和鑒定能力，但對于結構高度相似的同分異構體，如質譜裂解特征相似的反式-阿魏酸和反式-亞油酸，仍難以區分。光譜分辨率的局限也影響了食品摻偽檢測的準確性。以常見的以次充好摻偽現象為例，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 基質效應干擾檢測

基質效應的干擾是光譜分析技術在食品成分檢測中的另一個普遍性難題。不同食品基質的理化性質差異顯著，當目標分析物與基質成分相互作用時，可能導致光譜信號發生變化，進而影響檢測的準確性和重現性。以多環芳烴類污染物檢測為例，其在不同食品基質中的響應信號差異明顯：熒光光譜分析中，花生醬等脂質含量高的基質會產生較強的背景熒光，導致目標分析物信號被掩蓋；而巧克力等可可制品中的黃烷醇類物質會導致多環芳烴類污染物的熒光猝滅，造成檢測結果偏低。在農藥殘留檢測領域，不同蔬果基質中的色素、蠟質等成分會影響農藥在提取溶劑中的分配，進而影響檢測結果的準確性。

3.3 數據處理復雜

現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據量極為龐大，且光譜信息復雜，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據中準確提取有效的化學計量學信息，建立穩健可靠的定量模型，是一個亟待攻克的難題。以近紅外光譜分析為例，一個樣品的光譜數據可包含成百上千個波長變量，而實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）等化學計量學方法對高維光譜數據進行降維處理，篩選出最具代表性的特征變量。但是，食品基質復雜多變，光譜數據受到散射、吸收等因素的影響，導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，光譜數據的可解釋性也面臨挑戰[1]。機器學習算法，如支持向量機（Support Vector Machine，SVM）、隨機森林等能夠建立較好的定量模型，但其“黑箱”特性導致模型解釋性差，難以闡明光譜特征與食品理化性質之間的內在聯系。

4 提高光譜分析在食品成分檢測中應用效能的對策

4.1 提升儀器分辨率

光譜分析技術在食品成分檢測中的分辨率不足是制約其廣泛應用的一大瓶頸。針對植物源性食品中結構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、難以直接區分的問題，可優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用，在二維色譜中實現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行定性分析，從而大幅提升檢測的專一性。對于傳統紫外檢測難以區分茶多酚中結構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譜技術，通過精確質荷比（m/z）信息實現這些異構體的精準鑒定。同時，優化碰撞能量、掃描模式等質譜參數，可進一步提升對難區分的同分異構體的定性能力。在油脂摻偽檢測領域，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富集油脂中的特征性微量成分，再結合氣相色譜-質譜進行分析，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，從而實現摻偽油脂的精準溯源。

4.2 應用基質校正技術

針對不同食品基質的理化性質差異導致的光譜響應變化，可采用基質校正技術消除此類干擾。

標準加入法是一種可有效消除基質效應的策略，通過在待測樣品中加入不同濃度的目標分析物標準品，建立多點校正曲線，可在一定程度上抵消基質背景的影響。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生干擾。采用標準加入法，在相同基質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確度。

同位素稀釋技術是消除基質效應的另一有力工具，通過向樣品中加入同位素標記的目標分析物，再采用質譜檢測同位素信號比，可實現對基質效應的有效校正。這一方法在農藥殘留、獸藥殘留等痕量分析領域具有明顯優勢。例如，在檢測蜂蜜中的氯霉素殘留時，基質中復雜的糖類、蛋白質等成分會嚴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標，可有效校正基質效應引起的信號衰減。

基質匹配校準是提高光譜分析準確性的另一重要策略，通過選擇與待測樣品基質特性相近的標準物質，配制與樣品基質背景一致的校準系列，可最大限度地減少基質效應的影響，這在固體樣品的近紅外光譜分析中尤為關鍵。例如，在分析小麥粉中蛋白質含量時，不同品種、不同產地的小麥粉理化特性差異顯著，直接采用水溶液校準會導致嚴重的系統誤差，而選用不同蛋白質水平的小麥粉基質配制校準樣品，獲得的定量模型將更具健壯性和實用性。

4.3 優化數據處理算法

光譜數據中含有豐富的化學計量學信息，但受制于數據維度高、變量相關性強等特點，直接從原始光譜中提取有效信息難度很大，優化數據處理算法是破解這一難題的關鍵。

變量篩選是降低數據復雜性的重要途徑，通過計算各波長變量與目標響應值之間的相關性，并結合化學分析經驗，篩選出對定量模型貢獻最大的特征波長，可有效降低數據維度，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無關的冗余信息。應用連續投影算法（Successive Projection Algorithm，SPA）從1 000余個波長變量中優選出18個關鍵波長，并結合SVM建立判別模型，可實現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，多元散射校正（Multiple Scattering Correction，MSC）、標準正態變量（Standard Normal Variate，SNV）交換等數據預處理方法可發揮重要作用。例如，在分析乳粉中蛋白質含量時，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。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，根據樣品光譜的相似性將其劃分為若干子集，再在各子集內分別建立定量模型，可有效提升模型在外部樣品中的預測能力，這在茶葉品質評價、果蔬產地溯源等領域已有成功應用[4]。

5 結語

本文綜述了光譜分析技術在食品成分檢測中的應用現狀，分析了其面臨的挑戰，并提出了相應的對策建議。研究表明，通過提升儀器分辨率、應用基質校正技術、優化數據處理算法等措施，可以有效提高光譜分析技術在食品成分檢測中的應用效能。

參考文獻

[1]梁爽，李斌，朱君，等.光譜分析技術用于畜禽養殖糞污成分檢測的研究進展[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在農作物品質檢測中的應用研究進展[J].光譜學與光譜分析，2022，42（2）：358-367.

[3]周粲入，王哲濤，楊思危，等.化學計量學和深度學習方法在拉曼光譜處理方面的應用研究進展[J].分析化學，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莓熱風干燥過程模型的建立[J].食品與發酵工業， 2023， 49（16）：283-290.

[5]劉樹林，王猛，李安，等.高精度煤質成分快速定量分析LIBS系統研究[J].光學精密工程，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。