类型a：这篇文档报告了一项原创研究。
主要作者与机构及发表信息
这项研究的主要作者包括Shao-yan Zheng、Ze-shun Wei、Shuang Li、Shi-jia Zhang、Chun-fang Xie、Dong-sheng Yao和Da-ling Liu，他们均来自暨南大学（Jinan University）的微生物生物技术研究所、生物工程系以及遗传医学国家工程研究中心。该研究发表于《Food Chemistry》期刊，出版时间为2020年6月27日。
学术背景
本研究属于食品科学与农业化学领域，旨在解决粮食安全中的黄曲霉毒素（Aflatoxins, AFs）污染问题。AFs是一种由黄曲霉（Aspergillus flavus）和寄生曲霉（A. parasiticus）产生的次级代谢产物，具有强毒性、致癌性和致畸性，尤其对肝脏危害显著。AFs在农作物中广泛存在，并且一旦污染食物，通常难以去除。因此，早期预警和监测AFs的前体物质Versicolorin A（Ver A）对于预防和控制AFs污染至关重要。然而，当前用于检测Ver A的方法（如高效液相色谱法HPLC、液相色谱-质谱联用LC-MS/MS等）成本高、耗时长且难以大规模应用。为了解决这一问题，本研究开发了一种基于近红外反射光谱（Near-Infrared Reflectance Spectroscopy, NIRS）的快速检测方法，结合机器学习算法实现Ver A的定量分析和分类筛选。
详细工作流程
研究主要包括以下几个步骤：
样本准备与数据采集
研究团队从中国四川、山东和河南三省的农民处收集了102份玉米样本，每份样本重10公斤。样本被研磨并通过0.85毫米筛网以确保颗粒均匀性。随后，使用FOSS XDS Rapid ContentTM光栅光谱仪采集400至2500纳米范围内的NIR光谱数据，间隔为2纳米。每个样本测量三次并取平均值以减少误差。
Ver A含量测定
使用液相色谱-串联质谱（LC-MS/MS）和高效液相色谱（HPLC）对样本中的Ver A含量进行定量分析。这些数据用于验证NIR模型的准确性。
数据预处理与建模
在建立校准模型之前，对光谱数据进行了多种预处理方法，包括标准正态变量变换（SNV）、乘性散射校正（MSC）、一阶导数和二阶导数处理。随后，研究团队使用XGBoost算法建立了Ver A的定量分析模型，并使用支持向量机（SVM）和K近邻算法（KNN）构建了分类模型。
模型验证与性能评估
随机选择31个样本作为验证集，其余61个样本作为训练集。通过交叉验证方法评估模型的性能，计算决定系数（R²）、预测均方根误差（RMSEP）和残差预测偏差（RPD）。此外，还使用SPSS软件对NIR方法与传统化学分析方法的结果进行了配对t检验。
主要结果
1. 光谱数据分析
NIR光谱数据显示，不同Ver A含量的玉米样本在特定波长（如1180纳米）下表现出显著差异。这些差异与真菌感染引起的化学和光学性质变化相关。
分类模型性能
SVM模型在训练集和验证集中的分类准确率分别达到86.89%和90.32%，优于KNN模型。特别是经过MSC和一阶导数预处理的SVM模型表现最佳，假阴性率为零。
定量模型性能
基于XGBoost的定量模型在验证集中的R²值大于0.97，RPD值为5.98，表明模型具有优异的预测能力。与LC-MS/MS和HPLC方法相比，NIR方法的相对误差较低，且无需复杂样品预处理，显著提高了检测效率。
结论与意义
本研究开发了一种基于NIR光谱技术的快速、无损Ver A检测方法，并结合机器学习算法实现了Ver A的定量分析和分类筛选。该方法无需溶剂，操作简便，适合大规模应用，能够为粮食储存过程中的黄曲霉毒素污染提供早期预警。其科学价值在于为AFs污染的风险评估提供了新工具，而其应用价值则体现在提高粮食安全监测效率和降低经济损失方面。
研究亮点
1. 首次将XGBoost算法应用于霉菌毒素检测，显著提高了模型精度。 2. 开发了基于NIR光谱的快速Ver A检测方法，避免了传统方法的复杂样品预处理。 3. 分类模型的假阴性率为零，确保了实际应用中的安全性。 4. 定量模型的预测性能优异，能够满足高通量检测需求。
其他有价值内容
研究团队强调了Ver A作为AFs污染早期指标的重要性，指出Ver A水平的快速波动可能预示着严重的AFs污染风险。此外，通过改善储存条件（如通风、干燥和降温），可以有效终止AFB1污染的发生。这为粮食储存管理提供了重要参考。