基于表面增强拉曼光谱（SERS）与深度学习模型检测玉米油中痕量玉米赤霉烯酮的研究报告

作者与研究机构

本研究的通讯作者为Jimei University的Tianhui Jiao和Quansheng Chen团队，合作单位包括Yancheng Institute of Technology、Jiangsu University和Yancheng Products Quality Supervision and Inspection Institute。研究发表于Food Chemistry期刊（2023年2月15日在线发布，卷414，文章编号135705）。

学术背景

研究领域与问题

研究聚焦食品安全检测领域，针对玉米油中玉米赤霉烯酮（Zearalenone, ZEN）的痕量检测需求。ZEN是一种由镰刀菌产生的霉菌毒素，具有雌激素效应，可通过污染农作物进入食物链，威胁人类生殖与免疫系统。传统检测方法（如高效液相色谱-质谱联用技术，HPLC-MS）依赖大型仪器且耗时，而免疫分析法存在灵敏度低、抗体制备复杂等问题。因此，开发快速、高灵敏的现场检测技术成为迫切需求。

技术背景

表面增强拉曼光谱（Surface-Enhanced Raman Spectroscopy, SERS）通过贵金属纳米结构（如金纳米棒）增强分子振动信号，检测限可达10^-4 μg/mL级。然而，SERS光谱数据复杂，需结合化学计量学或深度学习模型进行定量分析。近年来，卷积神经网络（CNN）在光谱分析中展现出卓越的特征提取能力，但面临小样本训练难题。

研究目标

本研究旨在开发一种免标记、高灵敏的ZEN检测方法，结合SERS与深度学习模型，解决以下关键问题：
1. 高增强因子SERS基底的合成与优化；
2. 小样本数据增强策略的设计；
3. 深度学习模型（1D CNN与2D CNN）的性能优化与比较。

研究流程与实验设计

1. SERS基底合成与表征

• 材料与合成方法：采用种子介导生长法合成金纳米棒（Au NRs），以氯金酸（HAuCl₄）为前驱体，CTAB（十六烷基三甲基溴化铵）为稳定剂。
  
• 表征实验：
  
  • 透射电镜（TEM）显示纳米棒长度约50 nm，直径25 nm，长径比~2.0；
    
  • 紫外-可见光谱（UV-Vis）证实横向/纵向局域表面等离子共振（LSPR）峰分别位于521 nm和614 nm；
    
  • Zeta电位表明纳米棒表面带正电（+18.03 mV），利于带负电的ZEN分子吸附；
    
  • X射线衍射（XRD）与标准卡片（JCPDS No.99-0056）匹配，验证晶体结构。
    
• 增强因子计算：通过罗丹明6G（R6G）标定，估算增强因子（EF）为1.09×10⁶。
  

2. 样品制备与SERS光谱采集

• 样本处理：
  
  • 玉米油样品经乙腈-水（9:1）提取，NaCl盐析后离心，过滤得到ZEN加标溶液（浓度梯度：0.001–1000 μg/mL）；
    
  • 加入Au NRs后调节pH至9，促使ZEN分子解离为阴离子，增强吸附效率。
    
• 光谱采集：
  
  • 使用785 nm激光（功率100 mW）的拉曼光谱仪采集20–2000 cm^-1范围光谱（分辨率2 cm^-1）；
    
  • 每个浓度平行采集10条光谱，取5个随机点平均值代表样本。
    

3. 数据增强与预处理

• 增强策略（解决小样本问题）：
  
  • 光谱强度调制：通过1%–15%随机放大因子生成新光谱；
    
  • 水平位移：沿波数轴随机平移（-5至5 cm^-1）；
    
  • 噪声添加：引入高斯噪声。
    最终生成2520条增强光谱（7种策略×36条/样本）。
    
• 预处理流程：
  
  • 非对称最小二乘（AsLS）基线校正 → multiplicative scatter correction（MSC）散射校正 → Savitzky-Golay（S-G）平滑 → 均值中心化（MC）。
    

4. 深度学习模型开发

• 模型架构：
  
  • 1D CNN：3个卷积层（ReLU激活）+ 批归一化 + 最大池化 → Flatten层 → Dropout层（防过拟合）→ 全连接层输出；
    
  • 2D CNN：将1D光谱通过Gramian角场（GAF）转换为2D谱图后输入4层卷积网络。
    
• 训练参数：Adam优化器，学习率0.001，L2正则化（λ=0.001），早停策略（100 epoch）。
  

5. 模型对比与性能验证

• 对比模型：偏最小二乘回归（PLSR）、随机森林回归（RFR）、高斯过程回归（GPR）；
  
• 评估指标：预测集决定系数（R²_p）、均方根误差（RMSEP）、性能偏差比（RPD）。
  

主要研究结果

1. SERS基底性能：

   • Au NRs在pH 9条件下对ZEN的吸附最佳，特征峰750 cm^-1（C-H面外弯曲）、891 cm^-1（CH₂摇摆）和1437 cm^-1（C-H面内弯曲）信号显著，相对标准偏差（RSD）%。
     

2. 模型性能对比：

   • 1D CNN与2D CNN表现最优（R²_p：0.9872 vs 0.9865；RMSEP：0.2267 vs 0.2341 μg/mL；RPD：6.827 vs 6.625）；
     
   • 数据预处理对传统模型（PLSR/RFR）提升显著（RPD提升10-17%），但对CNN模型影响微小（%）。
     

3. 关键波数识别：

   • 通过敏感度分析确定737–762 cm^-1、872–910 cm^-1和1429–1455 cm^-1为ZEN特征区间。
     

4. 实际应用验证：

   • 与HPLC-MS对比，回收率95.8–103.6%（t检验p>0.05）；
     
   • 检出限（LOD）达6.81×10^-4 μg/mL，低于中国（60 μg/kg）和欧盟（20 μg/kg）限量标准。
     

结论与价值

科学价值

1. 提出免标记SERS检测技术，避免了抗体/荧光标记的复杂性；
   
2. 开发小样本数据增强策略，为光谱分析中的深度学习应用提供通用方案；
   
3. 验证了CNN模型在SERS定量分析中的优越性，其自动特征提取能力超越传统化学计量学方法。
   

应用价值

该方法适用于粮油产品的现场快速筛查，检测灵敏度高（较HPLC-MS提升2个数量级），且成本低、操作简便。

研究亮点

1. 创新的数据增强：结合强度调制、位移与噪声的多策略增强，有效解决深度学习训练样本不足问题；
   
2. 高稳定性基底：Au NRs的重复性（RSD<5%）与增强因子（10⁶级）保障了检测可靠性；
   
3. 模型可解释性：通过敏感度分析揭示CNN模型依赖的特征波数区间，打破“黑箱”局限性。
   

其他发现

• 光谱预处理必要性：对于CNN模型，原始光谱直接输入即可获得最优结果，简化了分析流程；
  
• 方法普适性：该框架可扩展至其他 mycotoxins（如黄曲霉毒素B1）检测，仅需调整特征波数区间。
  

（全文完）