拉曼光譜技術在食品真實性鑒別中的研究進展

邱 燁 郝 欣 孔維恒 王藝凱 賈文珅 張 巖 周 巍 劉 鑫*

（1.中國海關科學技術研究中心，北京 100026；2.北京市農林科學院質量標準與檢測技術研究所，北京 100097；3.河北省食品檢驗研究院（河北省食品安全重點實驗室），石家莊 050227）

隨著社會的發展和生活水平的提高，消費者的消費觀念從“ 吃得飽 ”向“ 吃得好 ”轉變。但一些不法商家在經濟利益驅動下對食品采取添加非法物質、以次充好、虛標產地來源等手段來獲取高額利潤，嚴重侵害了消費者的權益，對食品行業造成了極大的負面影響，甚至破壞了消費者對整個食品行業乃至國家的信任，引起消費者高度關注[1-3]。中國政府在2008年的“ 三聚氰胺事件 ”之后，采取了“ 最嚴格的監管措施 ”規范食品行業[4]；歐盟在2013年“ 馬肉風波 ”食品摻假事件發生后，將食品真實性檢測技術研究列為“ 地平線2020 ”計劃的重點研究領域[5]。目前食品真實性問題已經成為國內外關注的熱點問題，是食品安全監管的重要研究方向之一。

食品真實性鑒別方法主要包括理化檢測技術[6]、分子生物學技術[7]、蛋白質技術[8]和傳感器技術[9]等[10]。與上述方法相比，拉曼光譜技術具有對樣品無損、靈敏度高、零污染和實用性強等優點[11]。拉曼光譜技術還具有指紋識別功能，可以同時識別多個樣品分子[12]，對樣品進行定性定量分析[13]，并且能夠快速進行在線監測或現場檢測[14]，是一種解決食品真實性問題的有效方法。拉曼光譜技術通常與化學計量學結合，分離提取樣品中復雜的分子振動信息，進行數據描述，用于分析復雜的食品材料，區分食品的地理來源和品種，鑒別加工食品的生產方法，鑒定食品成分和非法添加劑等[15，16]。

拉曼光譜技術是一種基于拉曼散射效應的光學測量技術。本文重點綜述了該技術在肉類及其制品、乳制品、食用油、蜂蜜、谷物及其制品等食品的真實性研究和鑒別中的應用，并對該技術在該領域研究的未來發展進行了展望，以期為食品真實性研究提供價值。

1 食品真實性鑒別中拉曼光譜技術的概述

由于拉曼散射光容易被可見光區或紫外光區激發的熒光覆蓋且強度低，導致信號非常微弱，因此過去很長一段時間拉曼光譜技術發展緩慢。激光技術在1960年興起后，拉曼光譜技術以激光作為光源，大幅度提高拉曼散射信號強度，自此拉曼光譜技術快速發展。拉曼光譜技術在食品真實性研究領域中，根據分光系統差異總體可以分為色散型拉曼光譜（DRS）和傅里葉變換拉曼光譜（FT-RS）兩類。DRS主要通過單極或多級光柵進行分光，而FT-RS采用邁克爾遜干涉儀進行分光。以DRS為基礎，衍生出FT-RS、空間位移拉曼光譜（SORS）、表面增強拉曼光譜（SERS）、共聚焦顯微拉曼光譜、便攜式拉曼光譜等多種拉曼光譜技術[17]，表1總結了上述拉曼光譜技術在食品真實性鑒偽中的優缺點。

表1 不同拉曼光譜技術在食品鑒偽中優缺點對比

2 拉曼光譜技術在食品真實性鑒別中的應用

拉曼光譜技術在食品真偽甄別、產地溯源和檢測非法添加物3個主要的食品真實性研究中具有獨特的檢測優勢，例如具有無損快速、樣品深層次檢測、制備樣品簡單且時間短、無需樣品前處理和靈敏度高等優點。本文將檢測目的、鑒別對象、拉曼光譜特征帶等總結在表2，為拉曼指紋圖譜和數據庫建立提供參考和借鑒。僅通過光譜上特征峰的位置、峰寬和峰高等對物質進行定性或定量分析，很難滿足檢測復雜的食品樣品的需求，因此往往將光譜信息與化學計量學結合，建立化學計量學模型，完成分類判別的任務，實現精準定性定量的目的[32]。

表2 食品真實性的鑒別技術應用情況

2.1 拉曼光譜技術在肉類及其制品檢測中的應用

通過拉曼光譜技術分析肉類及其制品的分子結構和各種基團之間的關系，可對其進行真實性鑒別分析[33，34]。由于豬肉與牛羊肉有相似的外觀和成分，一些不法商人用豬肉代替較貴的牛羊肉，嚴重擾亂市場秩序。Haoran等[35]通過結合拉曼光譜技術和激光誘導擊穿光譜技術（LIBS），采用隨機森林（RF）優化的反向傳播神經網絡（BPNN），鑒別肉中的半胱氨酸、谷氨酸和苯丙氨酸，對牛肉、羊肉和豬肉組織進行分類，準確率（ACC）可達99.42%，表明該方法是快速、穩健的肉類組織識別方法。以上研究表征了LIBS和拉曼光譜技術結合檢測的可行性，兩者結合可有效提高模型的識別精度，充分挖掘被測樣品在原子和分子水平上的內部信息，在一定程度上克服了其他技術在樣品識別上的潛在局限性。海產品也存在食品摻假問題，包括地理來源摻假、廉價替代品和有毒有害物質非法添加、成分組成比例和重量摻假等。與剛性的SERS基底相比，柔性SERS基底的靈敏度相對有限，一方面因為單層金屬納米粒子的高透過率導致拉曼信號損耗大，另一方面是單層金屬納米粒子膜增強作用弱。但Sun等[36]制備了一種PMMA/Ag/石墨烯/Ag/石墨烯雜化結構的柔性高靈敏度SERS基底，可以直接附著在魚皮上檢測孔雀石綠的含量，該裝置在5 min內完成檢測，結果顯示檢測限（LOD）低至10-7mol/L，靈敏度高，實用性十分強，很適合檢測水產品的非法添加物。這種靈活和透明的柔性SERS基底有望被應用于食品安全檢測、醫療診斷和生物傳感器等其它領域。拉曼光譜技術對于肉類及其制品的真實性研究已經能夠準確定性分析，但定量分析還需要進一步探討，也需要深入探索化學計量學模型，確定最佳的建模方法，實現對肉類及其制品的準確檢測。

2.2 拉曼光譜技術在乳制品檢測中的應用

拉曼光譜技術在指紋范圍內不受水分子干擾，具有快速、無損和準確等優點，因此適用于檢測含水量高的牛奶[37]。許多不法商家不僅利用麥芽糊精、葡萄糖和面粉等廉價物摻假乳制品[38]，還非法添加非蛋白氮摻雜物增加氮含量，危害消費者生命健康。由于SERS具有靈敏度超好、快速無損等優點，該方法用于三聚氰胺的檢測已經大量被報道。為了減少分析成本、增加結果的穩定性和縮短檢測時間，Viehrig等[39]開發了一個電化學輔助的SERS平臺用于檢測牛奶中的三聚氰胺，可以逆轉分析物與表面的相互作用，卻不損壞SERS基底，從而實現重復使用，LOD為0.3mg/L，靈敏度好。因為檢測可逆性，所提出的方法和檢測平臺為需要連續監測和在線檢測的應用提供了新的可能性。此外，當小型拉曼系統和恒電位儀結合時，該方法將適用于現場檢測。紙張、紡織品、膠帶等模板化的SERS基底由于具有成本低、操作簡單、易于樣品處理和現場應用等優點，被越來越多地用來替代傳統的基質[40]。Zhang等[41]首次開發了一種基于銀納米顆粒功能化的市售濾紙的新型疏水SERS基底用于檢測稀釋牛奶中的三聚氰胺。與傳統的基底相比，這種新型的SERS基底不僅可以滿足簡單和大規模的制備要求，而且還實現了具有可重復使用特性的直接液滴檢測。該方法檢測限低至1 mg/L，展現了高靈敏度的優點。近年來，SERS的發展受到限制，因為大多數基底的制造過程非常復雜，而且基底本身缺乏靈活性、生態友好性和經濟性，因此可以克服上述缺點的SERS紙基被強調用于食品安全和環境應用的分析檢測。過去幾年中研究人員一直致力于開發檢測液態奶中三聚氰胺的SERS活性基底[42-44]。并且隨著拉曼光譜技術的不斷進步，三聚氰胺的LOD值能達到痕量級，完全滿足國家要求。

2.3 拉曼光譜技術在食用油檢測中的應用

常見的食用油摻假手段有低價油摻入高檔油、非食用油摻入食用油、高檔油的組成比例與標簽描述不一致等情況[45]。由于特級初榨橄欖油（EVOO）、山茶油和牡丹籽油等高檔油具有較高的營養價值，因此常成為非法商家的摻雜對象。Kuang等[46]首次開發了一種近紅外拉曼光譜結合反向傳播人工神經網絡（BPANN）模型實時檢測分析山茶油摻假情況的方法。預測線性值＞0.999和均方誤差（MSE）＜1%，表明該方法是一種快速精確的方法。同時該方法具有分析時間快、無需樣品制備等優點，特別適合于快速檢測其它植物油的摻假情況。EVOO是一種復雜的食品基質，很難測試和表達其質量。Wang等[47]提出了一種共聚焦拉曼和熒光光譜（CRFS）與多元線性回歸（MLR）相結合的技術方案，實現了拉曼和熒光光譜光譜數據的同時采集，并發現了EVOO中的微量成分——葉綠素和β胡蘿卜素的拉曼光譜。結果顯示均方根誤差（RMSE）為0.0068，外部預測的R2為0.9996。結果表明該方法不僅可以獲得定量分析的微量成分的拉曼光譜，而且還可以減少EVOO中熒光淬滅對光譜定量分析的影響，提高定量精度，具有更廣泛的應用范圍。拉曼光譜技術檢測方法還應用于其它食用油的鑒別，例如鑒別棕櫚油中是否非法添加蘇丹IV[48]、快速識別核桃和南瓜油的摻假情況[49]。通過結合化學計量學的拉曼光譜技術在鑒別食用油真實性的研究中，已經達到了非常高的實驗準確性，但相應的在線檢測平臺有待開發，以期進一步提高實際應用中的生產效率。

2.4 拉曼光譜技術在蜂蜜檢測中的應用

蜂蜜因具有獨特風味和抗菌、抗炎、抗氧化、調節血糖血脂、改善心血管危險因素等功能[50]，導致蜂蜜供不應求[51]。一些不法商家為了獲取利益而對蜂蜜進行摻假，且一旦摻假難以發現，使其成為世界上第三大摻假的食品[52]。蜂蜜摻假最常見的做法是在天然蜂蜜中摻入廉價甜味劑，當然植物學或者地理來源的標簽不符合天然蜂蜜產品也屬于食品欺詐[53]。雖然拉曼光譜技術不易受到水分子干擾，但蜂蜜的光譜信息是復雜和重疊的，因此需要結合化學計量學提取光譜數據中的潛在特征和有用信息。檢測蜂蜜摻假的光譜技術通常會分析有明確摻假物種類的樣品，但Wu等[54]在糖漿類型未知的情況下，將拉曼光譜技術與卷積神經網絡（CNN）定量模型結合直接預測蜂蜜樣品的摻假濃度，是一種更可靠，更接近實際檢測過程的方法。將CNN模型與基于相同光譜數據集的偏最小二乘回歸（PLSR）和支持向量機（SVR）算法進行比較，因為這些算法分別是深度學習、傳統化學計量學和機器學習領域的代表性算法。結果顯示與PLSR和SVR相比，CNN模型取得了最好的性能，ACC＞99.76%，R2＞0.95和預測的均方根誤差（RMSEP）＜4.25。表明該方法是一種無損、可靠和有前途的光譜分析方法。此外拉曼光譜也被成功應用于區分不同地理或者品種來源的蜂蜜[55，56]。

2.5 拉曼光譜技術在谷物及其制品檢測的應用

大米產地和品種不同，品質也會有所差異，價格也因此不同。一些不法商家為了追逐利益的最大化，常使用劣質大米冒充優質大米或者虛假標注谷物地理來源，破壞消費者對生產者的可信度。眾所周知，精米顆粒中的碳水化合物、粗蛋白、粗脂肪和水分布不均勻，因此需要一種能夠無損整個米粒的檢測方法以便進行準確的分析，而拉曼光譜技術具有這方面的優勢[57]。Wang等[58]采用拉曼光譜技術結合化學計量學的方法，對同一栽培品種但不同產地的稻谷樣品的特征光譜峰進行提取和分類，利用PCA提取的8個特征值/特征光譜峰（476cm-1、867cm-1、940cm-1、1121cm-1、1342cm-1、1384cm-1、1462cm-1和2914cm-1）建立反向傳播神經網絡結構作為大米原產地識別模型，ACC為98.75%～96.25%，結果表明該方法作為同一品種水稻類型識別的工具是可行的，方便快捷，可以有效地識別不同地區的水稻，為大米產地鑒定提供理論支持。

4 結論與展望

本文總結了拉曼光譜技術在食品真實性鑒別中的優缺點,與其它方法相比具有顯著的技術優勢。例如不破壞待測樣品、非直接接觸樣品、基本不受溶液中水分子影響、快速簡便高效、對環境友好、能夠提取大量信息和提供指紋識別能力等。然而，現階段拉曼光譜技術在食品檢測中也存在一些技術瓶頸。例如采用不同光譜預處理方法，選擇不同的波段和建模方法，數據分析模型的精度和穩定性會因此受到影響，并且預測模型的應用必須與建模前所用的基質相一致，否則不能得到較好預測。目前沒有一種拉曼光譜技術可以得到待測樣品的所有信息，且拉曼光譜圖庫更新周期長，很難滿足食品數據快速變化的趨勢。加上光譜數據分析復雜，需要技術人員進行數據處理。為解決拉曼光譜技術的一些短板，在未來研究中，1）可以通過選擇合適的激發波長，優化前處理技術，建立優秀的化學計量學模型，提高準確性和穩定性；2）開發便攜式或者手持式拉曼光譜儀，或者開發與其它方法相結合的拉曼光譜技術，提高實用性和進行快速的現場檢測；3）優化光譜處理技術，擴大樣品范圍，針對不同場景建立數據庫，開發在線檢測設備；4）開發數據集成分析軟件、圖像處理系統，解決拉曼光譜數據處理復雜的問題；5）開發更加靈活、對環境更加友好和更加經濟的SERS基底。