本研究由Kexin Zhang、Bridget Ama Kwadzokpui、Selorm Yao-Say Solomon Adade、Hao Lin*和Quansheng Chen*共同完成，作者单位包括江苏大学食品与生物工程学院（Jiangsu University）和集美大学海洋食品与生物工程学院（Jimei University）。研究成果发表于2024年7月的《Food Chemistry》期刊（Volume 459, Article 140305），标题为《Quantitative and qualitative detection of target heavy metals using anti-interference colorimetric sensor array combined with near-infrared spectroscopy》。
学术背景
食用植物油是人类膳食的重要组成部分，但重金属污染问题日益突出，尤其是汞（Hg）和铅（Pb）等具有强致癌性和毒性的金属。传统检测方法（如光学检测、酶抑制法和免疫分析法）存在前处理复杂、无法实时监测等局限性。因此，开发快速、灵敏、便携且低成本的重金属检测技术成为研究重点。本研究旨在结合抗干扰比色传感器阵列（anti-interference colorimetric sensor array, CSA）与近红外光谱（near-infrared spectroscopy, NIRS），建立玉米油中目标重金属的定性与定量分析方法。
研究流程
CSA的构建与优化
- 材料：选用9种卟啉染料和9种BODIPY染料（编号1-18），溶解于二甲基甲酰胺（DMF）中制备传感器溶液。通过反应差异筛选出对Hg(I)和Pb(II)响应最显著的三种染料：TPPF2OFeCl、TPPCO和TPPFeCl。
- 结合机制分析：通过紫外-可见光谱（UV-Vis）和中红外光谱（Mid-IR）揭示染料与重金属的相互作用。结果显示，重金属与染料结合后仅改变原子能级（如吸收峰蓝移或红移），未形成新的化学键。
- 抗干扰验证：在Zn(II)、Cd(II)、Cr(III)等干扰金属存在下，CSA对目标重金属的RGB响应差异值显著更高（如TPPFeCl对Hg(I)的B通道差异达39.02），证实其选择性。
嗅觉可视化设备开发
- 自主设计设备包含光谱采集单元、分析单元和控制系统，核心为STC89C52微控制器。软件模块包括串口传输、数据采集、光谱可视化及电源管理。
- 设备稳定性验证：通过光谱相似性指数（C(x,y)>98%）证明数据重复性良好。
定性与定量分析
- 定性模型：采用标准正态变量变换（SNVT）预处理数据，结合蚁群优化（ACO）、遗传算法（GA）和竞争性自适应重加权采样（CARS）筛选特征变量。ACO-KNN模型表现最优，校准集和预测集准确率分别为90.28%和89.58%。
- 定量模型：基于偏最小二乘回归（PLS），ACO-PLS模型对Pb(II)和Hg(I)的预测均方根误差（RMSEP）最低（分别为0.1730和0.1880），线性检测范围0.02–0.5 mg/L，检出限（LOD）达0.3×10⁻³ mg/L（Pb）和0.6×10⁻³ mg/L（Hg）。
主要结果
- 结合机制：UV-Vis光谱显示TPPF2OFeCl与Pb(II)反应后吸收峰红移7 nm，而Mid-IR证实无新化学键形成，支持原子能级变化导致颜色变化的假设。
- 抗干扰性能：PCA三维分布图显示目标重金属在干扰背景下仍能清晰聚类（PC1贡献率92.21%）。
- 设备稳定性：平行数据相似性>98%，且Pb(II)与Hg(I)的相似性指数最低（99.12%），表明特异性强。
结论与价值
本研究创新性地将CSA与NIRS结合，解决了传统方法在食用油重金属检测中的灵敏度与抗干扰难题。科学价值在于揭示了染料-重金属相互作用的原子能级机制，应用价值体现在开发了便携式检测设备及高精度算法模型（如ACO-KNN）。该方法可为食品安全监管提供实时、低成本的技术支持，并有望拓展至其他食用油（如大豆油、花生油）的检测。
研究亮点
- 方法创新：首次将抗干扰CSA与NIRS联用，实现重金属的定性与定量同步分析。
- 技术突破：自主研发嗅觉可视化设备，集成光谱采集与智能算法，LOD低于国际标准（Codex Stan 193–1995）。
- 理论贡献：通过UV-Vis和Mid-IR阐明颜色变化的微观机制，为染料设计提供新思路。
其他价值
- 提出的ACO算法优化变量筛选流程，为光谱数据分析提供新范式。
- 研究得到中国国家自然科学基金（31972154）和江苏省农业自主创新基金（SCX 203321）支持，凸显其应用潜力。