关键词:
粗棕榈油
黄曲霉毒素B1
赭曲霉毒素A
啶虫脒
苏丹染料
表面增强拉曼光谱学
纳米传感器
化学计量学
模式识别算法
摘要:
粗棕榈油(CPO)作为一种用途广泛的食用热带植物油,以其独特的营养价值和低成本在食品加工、工业生产et al领域广受欢迎。然而,随着CPO市场的不断扩大,质量和安全问题引起了人们的极大关注,非法食品添加剂、农药残留和霉菌毒素污染et al问题给消费者带来了重大健康风险,故加强市场食品监督和检测对于解决这些健康问题至关重要。目前我国已经制定标准技术手段用于食品中危害成分的定性判别及定量检测。然而,这些常规检测技术依旧存在一些明显的局限性,包括仪器设备和试剂昂贵,操作复杂以及测试时间较长et al,因此亟需开发出高效便捷的方法。表面增强拉曼光谱分析技术(SERS)以其传感器多样性,超高灵敏度和独特的指纹特性et al原因被广泛成为理想替代方法应用于检测领域。本研究基于SERS结合化学计量学技术,构建高效、快速、经济、无损、灵敏、选择性和便携的检测方法,成功实现CPO中痕量危害物(食品添加剂、农药、霉菌)的检测。主要的研究内容如下:1.基于SERS结合化学计量学定性判别模型的CPO中染料掺假研究。针对传统的CPO中掺假的染料检测方法存在的检测时间长,设备维护费用贵et al问题,本章以苏丹红II和苏丹红IV染料为研究对象,基于SERS与化学计量学的结合成功开发出一种新渠道实现CPO中苏丹红染料掺假的快速准确检测。首先合成中空的金银纳米花作为增强基底,继而将其与不同浓度的(0.005 ppm–4 ppm)苏丹染料的CPO样品孵育,采集SERS光谱,基于主成分分析法分别辨别CPO中的苏丹红II和苏丹红IV,前三个主成分贡献率总和达到了99.88%和99.90%。此外,线性判别分析(LDA)和K最近邻(KNN)算法证明了CPO中苏丹II和IV染料的高检测率。本研究开发的Au@Ag SERS传感器对苏丹II和IV染料的检测线低至0.0028 ppm和0.0019 ppm。结果表明,本研究开发的具有快速、灵敏和低成本特性的SERS技术为CPO和其他食用油的品质检测提供了重要研究基础,并有望在未来广泛推广。2.基于SERS结合多变量分析模型的CPO中多种苏丹红含量检测掺假研究。针对CPO中多种染料掺假难以定性定量的问题,本章以四种苏丹红染料(I-IV)为研究对象,开展了基于SERS技术的CPO中多种染料同时定量检测研究。首先合成双金属金银核壳纳米花作为SERS增强基底,将合成的纳米基底分别与CPO中四种苏丹红染料(I-IV)混合,采集SERS光谱。采用偏最小二乘(PLS)、蚁群优化-PLS(ACO-PLS)模型和遗传算法-偏最小二乘(GA-PLS)模型分别构建SERS光谱与四种苏丹红染料浓度之间的定量关系模型。结果表明,对于苏丹I、II、III和IV,GA-PLS模型的校准系数(Rc)值分别为0.9844、0.9865、0.9884和0.9888。此外,苏丹I、II、III和IV的实际样品回收率分别为88.0-113.0%,92.0-103.0%,91.2-98.5%and 97.0-109.5%。结果表明,本研究开发的具有快速、灵敏和低成本特性的SERS技术为CPO和其他食用油的品质检测提供了重要研究基础,并有望在未来广泛推广。3.基于SERS结合化学计量学技术的CPO中农药残留检测研究。针对CPO中农药残留检测需求量大,检测速度要求高et al问题,本章以啶虫脒(ACE)农药为目标,开展基于SERS结合化学计量学技术的CPO中农药残留检测研究。本研究以银纳米作为增强基底,与不同浓度(5–100 ng/g)的ACE样本混合,采用三种不同的变量筛选方法以筛选出鲁棒性较强的预测模型:连续投影算法-偏最小二乘法(SPA-PLS)、随机跳蛙-偏最小二乘法(RF-PLS)和无信息变量消除-偏最小二乘法(UVE-PLS)构建SERS强度与ACE浓度的定量检测模型。结果表明,RF-PLS模型表现出最优的预测性能,Rc值为0.990,预测系数(Rp)值为0.989,RMSECV(交叉验证的均方根误差)值为4.74,RMSEP(预测的均方根误差)值为5.17。最后,基于加标回收实验,RF-PLS模型的回收率介于93.89%和108.32%之间,结果表明该方法可用于ACE残留的定量检测。4.基于表面增强拉曼散射技术(SERS)结合化学计量学的原油棕榈油(CPO)中霉菌毒素的检测研究:具体来说,该研究侧重于使用Qu ECh ERS(快速,简便,廉价,有效,耐用,安全)提取方法和SERS技术来构建定量预测模型,检测原油棕榈油(CPO)中的黄曲霉毒素B1(AFB1)。首先合成金纳米粒子(Au NPs)作为SERS信号基底,与萃取后不同浓度的加标样品共同孵育,在最优条件下采集SERS信号,基于信号强度与目标浓度建立自举软收缩-偏最小二乘(BOSS-PLS)预测模型。结果