食品农药残留检测中的化学计量学研究进展

陈晟，罗佳瑶，蒋立文，2，李跑，2，*

（1.湖南农业大学食品科技学院，湖南长沙410128；2.食品科学与生物技术湖南省重点实验室，湖南长沙410128）

食品安全中的农药残留问题始终是食品分析领域的热点课题，但现阶段仍较难实现准确的定性定量分析。究其原因，首先是因为食品种类繁多且大多成分复杂，在检测中易产生基质效应从而干扰实验结果[1-2]；其次农药的品种众多且常被混合施用，同时残留在食品中的农药含量仅为痕量水平甚至更低，导致检测仪器的选择受限[3-5]；另外，食品若经过不同的加工处理，其中残留农药的成分及浓度也会随之发生不同程度的变化[6]。以上影响因素的存在均给实际食品农药残留的测定带来了困扰。

由于食品中农药残留的检测十分棘手，改进和发展新型分析方法显得尤为关键。目前光谱法、色谱法和快速检测法在食品农药残留的检测中已被广泛应用。其中快速检测法如酶抑制法、免疫分析法等，虽然安全经济、不受环境的限制，但是其检测专一且回收率与重复性不高，不适于复杂食品样品农药残留的检测分析。色谱法作为大多数食品农药残留检测的国标法，现已发展得十分成熟，但也存在操作费时与前处理繁琐等缺陷，而光谱法以快速无损的优势成为了食品农药残留检测的新方向[7]。常用于农药残留检测的光谱法有拉曼光谱法、近红外光谱法（near infrared spectroscopy，NIRS）以及荧光光谱法。传统的光谱法由于检测限的问题无法直接用于农药残留的测定，近年来科学家对此做出了大量改进研究。普通拉曼光谱法不能达到痕量检测水平，但新型拉曼光谱法如表面增强拉曼光谱法（surface-enhanced raman spectroscopy，SERS）有力地克服了该缺点[8]；近红外光谱法虽然有着吸收强度弱、检测限高等劣势，但是其配合富集技术便可以实现低含量农药残留的检测[9]；三维荧光光谱法在荧光光谱法的基础上进一步提高了灵敏度，能为食品农药残留的检测提供新手段[10]。这些技术的发展极大地提高了光谱的检测灵敏度，使得光谱法可以实现对果蔬和粮食中残留农药的快速可靠分析[11-13]。

然而对于复杂食品样品中农药残留的光谱分析，除了食品基质成分会对测定造成干扰外，实测的拉曼和近红外信号还常伴有高频噪声和连续缓慢的背景干扰；并且检测信号容易重叠，因此大多需要构建多元校正模型才能实现对光谱数据的分析[14-15]。荧光光谱法虽然可以直接分析光谱数据，但针对多组分重叠严重的荧光信号，仍无法实现农药残留组分的准确定量分析[16]。除光谱法之外，色谱法如气相色谱法（gas chromatography，GC）以及气相色谱-质谱（gas chromatography-mass spectrometry，GC-MS）、高效液相色谱-质谱（high performance liquid chromatography-mass spectrometry，HPLC-MS）和高效液相色谱-二极管阵列检测器（high performance liquid chromatographydiode array detector，HPLC-DAD）等联用技术，适用于大部分食品中农药残留的测定[17-19]。可是对于日趋复杂的食品农药残留分析，目标组分的测定不仅会受到基质成分的严重干扰，色谱检测信号中也不可避免地出现背景干扰和谱峰重叠等现象，给复杂信号中农药残留组分信息的提取造成了极大的阻碍。无论采用何种检测技术，所获取的都是残留在食品样品中有关农药成分的各种类型的信息数据，但这些信息数据又难以用常规方法取得满意分析结果，而化学计量学方法拥有“数学分离”的思想，能最大限度的处理和分析检测所得的信号。因此，针对以上存在的问题，化学计量学方法可以被借助用于信号中噪声的滤除、背景基线的校正、多元校正模型的建立以及重叠信号的解析。文章概述了近十年相关化学计量学方法在食品农药残留分析中的应用研究，并对其在食品分析中的应用现状进行了思考与展望。

1 噪声的滤除

食品中的农药残留分析，除了容易受到复杂基质成分的测定干扰外，还存在噪声和背景等外界干扰。采用拉曼光谱法和近红外光谱法分析果蔬中农药残留含量时，光谱仪器本身以及外界温度等环境因素的变化容易导致光谱信号中存在较大的噪声。刘民法等[20]利用近红外高光谱技术分析了长枣表面的农药残留种类。在该研究中，利用应用最广泛的卷积平滑（savitzky-golay，S-G）方法对900 nm～1 700 nm的光谱进行了预处理，有效地减小了高频噪声的影响从而改善了后续分析的结果。刘翠玲等[21-22]采用表面增强拉曼光谱法对菠菜表面和苹果汁中的农药残留进行了有效测定。为了实现SERS信号的平滑处理，该课题组利用S-G平滑法有效地降低了噪声对信号的干扰。然而S-G平滑法在数据信号平滑性增强的同时，容易导致信号失真。为此，王晓彬等[23]利用小波变换（wavelet transform，WT）多尺度分析的特点，在多菌灵农药样品的分析中采用硬阈值法得到了60.927的信噪比，而经典平滑方法仅为57.976，表明该法能更好地滤除拉曼信号中的高频噪声。同样为了消除仪器带来的系统噪声，李永玉等[24]利用小波阈值去噪法对拉曼信号进行了可靠地平滑处理，从而实现了对苹果表面敌百虫农药的准确定量分析。此外，陈蕊等[25]在野外蔬菜表面农药残留种类的研究中，利用WT的独特优势对可见-近红外光谱（visible and near-infrared spectroscopy，Vis-NIRS）进行去噪、压缩及特征提取，并将预处理后的光谱数据进行主成分分析（principal component analysis，PCA）进而建立农药残留神经网络感知器，表明该方法能被用于鉴别分类野外蔬菜表面所含的农药残留种类。综上所述，基于WT的去噪方法有望在食品农药残留的分析中推广应用。

2 背景基线的校正

受分析仪器本身的状态、实验操作环境以及样品等因素的影响，检测信号中常常存在不定的背景干扰、基线漂移等问题，给农药残留特征峰的峰位、峰宽和峰强度的确定带来困难。针对光谱信号中存在的背景基线干扰，导数校正是常用的光谱预处理方法。翟晨等[26]建立了SERS无损测定苹果中毒死蜱残留的方法，其中就采用了二阶导数和极小极大值自适应缩放法有效扣除了SERS信号中的荧光背景。为了检测橄榄中的敌草隆残留，Salguero-Chaparro等[27]利用NIRS开展了农药残留分析；作者利用二阶导数和多元散射校正消除了信号背景及散射的影响，并建立了偏最小二乘-判别模型可以对85.9%的样本进行正确分类，实现了对完整橄榄表面敌草隆残留含量的监测。但是，导数校正法处理光谱信号时可能会导致信噪比降低，多项式拟合是另外一种基线校准的经典方法。徐田锋等[28]和翟晨等[29]利用拉曼光谱法测定了菠菜和苹果中农药残留的种类及浓度；该课题组对比分析了多种不同方法校正基线的效果，结果显示多项式拟合预处理信号的效果最为显著。多项式拟合虽能消除信号中的基线干扰，但其拟合阶次通常难以把握，在实际分析中灵活性较差。此外，WT通过对原信号进行高低频分解，可有效扣除低频背景信号进而校正基线。Liu等[30]在传统WT的基础上建立了一种高效去除信号背景的自适应小波变换方法。该方法利用提升方案和最小均方（least mean square，LMS）的优势，在快速识别并扣除其中低频背景信号的同时还避免了信号被“过扣除”；采用拉曼光谱法和气相色谱法分析农药混合物时，依据所建立的方法成功扣除了分析信号中的背景。随着背景校正算法被研究者不断地改进与完善，基于自适应迭代惩罚最小二乘（adaptive iteratively reweighted penalized least squares，airPLS） 的方法继而出现[31-32]。梅祯等[33]采用GC-MS对多种农药混合物展开了分析，其中airPLS被成功用于色谱信号背景的自动化校正。由此可见，基于airPLS的背景校正法能更好地处理复杂光谱或色谱信号中的背景基线漂移问题，为农药残留分析中信号的预处理提供新思路。

3 多元校正模型的建立

拉曼光谱法和近红外光谱法大多需要建立分析模型才能实现定性定量分析，因此属于间接分析技术。在分析复杂样品时，谱带产生的重叠现象严重致使信号难以分辨，时常需要辅以化学计量学方法建立校正模型才能实现光谱数据的准确定量分析。Huang等[13]首先通过多元散射校正、标准正态变量变换和数据标准化来预处理SERS信号，然后通过偏最小二乘（partial least square，PLS）算法建立水稻中毒死蜱残留的检测模型；该模型对未知样品的预测回收率为96.59%～104.69%，依据所建立的方法可以对目标农药残留进行快速准确的测定。为了实现龙眼表面农药残留的无损测定，代芬等[34]先利用PCA压缩处理NIRS数据，并对其中的农药残留种类进行了聚类分析，最后BP人工神经网络（back propagation artificial neural network，BP-ANN）算法被用于建立农药残留检测模型，其对敌百虫和敌敌畏残留的检测准确率分别为93%和80%。但是常用的单模型建模方法通常稳健性不高。为了提高模型的预测精度，严寒等[35]利用NIRS结合膜富集技术建立了大米中微量毒死蜱残留测定的新方法。该方法首先利用联合区间偏小二乘法（synergy interval PLS，siPLS）初步选取特征波长区间；随后通过遗传算法（genetic algorithm，GA）对特征变量进行第二步优选进而建立PLS预测模型；结果表明采用siPLS-GA的新型建模方法较之传统方法能给出更好的精确度和稳定性，与实际检测值的偏差绝对值控制在0.796%～7.448%。此外，Xue等[36]针对冗杂的光谱信号，先通过引入粒子群算法（particle swarm optimization，PSO）对特征变量进行可靠选取，再与PLS相结合提出了PSO-PLS的建模方法；所提出的方法成功用于脐橙表面敌敌畏残留的Vis-NIRS分析。然而，在更复杂的光谱信号分析中，训练集样本数过少或奇异样本的存在都会显著影响传统建模方法的精确性。针对这一问题，又发展了新型建模策略，如基于核函数的非线性校正方法[37]、集成的建模策略[38]等。其中在农药残留分析中应用最多的是Boosting-PLS算法[39]。为了测定番茄表面的微量硫丹残留，袁文博等[40]采用Boosting-PLS算法，在训练集样本不多且预测集浓度较低的情况下依然建立了稳健精确的近红外预测模型。因此，以集成建模策略为代表的多模型建模方法，有助于实现食品农药残留检测中复杂光谱信号的精确定量分析。

4 重叠信号的解析

色谱及其联用技术虽然以分析的精确性见长，但利用GC-MS、HPLC-DAD等分析日益复杂的食品样品时，除了存在基质成分和噪声背景的干扰，检测信号还常常呈现谱峰重叠现象，给有用信息的提取带来极大挑战。为此，研究者提出了一系列解析算法。

试验中采用GC-MS分析有机磷农药混合物时，多组分色谱峰重叠难以分辨，为此梅祯等[41]通过研究对现有的免疫算法（immune algorithm，IA）进行了改进。其中快速升温程序被用于快速洗脱农药混合物，并结合IA算法解析混合组分从而获得了较好的分析结果。Wu等[42]采用GC-MS，利用快速升温程序结合IA算法在背景干扰存在的情况下依然对重叠信号进行了解析，实现了韭葱样品中扑草净残留的快速分析。但针对经典的IA算法不适于解析未知组分的局限性，Miao等[43]将目标因子分析（target factor analysis，TFA）与非负免疫算法（non-negative immune algorithm，NNIA）相结合建立了TFA-NNIA的方法。该方法被用于解析复杂重叠的GC-MS信号，在避免提供标样信息的同时还能实现蔬菜农药残留分析中目标组分的准确提取。然而，该法仍存在不适于解析较多共存组分的缺点。因此，Wu等[44]建立了一种重叠GC-MS信号分析的新方法。所建立的方法先利用独立成分分析（independent component analysis，ICA）和迭代目标转换因子分析（iterative target transformation factor analysis，ITTFA）的特点对重叠GC-MS数据进行多重筛查，在此基础上采用NNIA算法解析色谱信号，即能对48种农药混合物的色谱信息实现自动化地提取。此外，本课题组[45]为实现重叠信号的高通量分析，以17种和42种复杂农药混合物作为检测对象，提出了移动窗口目标转换因子分析（moving window target transformation factor analysis，MWTTFA）结合NNIA的方法来解析复杂重叠的色谱信号；结果表明该方法可准确判断感兴趣组分是否存在进而在10 min时间内提取GC-MS数据。多元曲线分辨-交替最小二乘（multivariate curve resolution-alternating least squares，MCRALS）是常被用于复杂食品样品分析的另外一种方法，其通过解析重叠信号可以直接从中提取目标组分的信息。由于测定果汁等基质中的混合农药残留十分困难，Boeris等[46]利用HPLC-DAD对此展开了研究。除了色谱峰的重叠变形之外，信号还存在食品基质组分和未知的背景干扰，尽管如此，作者利用MCR-ALS直接对重叠组分进行解析，准确得到了果汁和果蔬中5种农残的含量；其中残杀威、多菌灵、噻苯唑、麦穗宁以及西维因的检测限分别为 12.00、2.30、0.90、0.46、0.32 μg/L。Sousa等[47]采用HPLC-DAD分析了蔬菜样品中多菌灵等7种农药残留物的含量；由于色谱峰重叠变形严重，作者利用MCR-ALS解析信号，在降低分析物损失的同时实现了农药残留含量的可靠分析。此外，Albuquerque等[48]将MCR-ALS和多元曲线分辨-加权交替最小二乘（multivariate curve resolution-weighted alternating least squares，MCR-WALS）以及非负矩阵因式分解（non-negative matrix factorization，NMF）相结合，用于重叠SERS信号的处理，成功恢复了光谱数据进而实现了对番茄和李子果皮中马拉硫磷残留的有效测定。

以上的解析算法虽然得到了成熟应用，但仍无法满足日渐复杂的数据处理要求；同时伴随着高阶分析仪器的出现，如全二维液相色谱-质谱联用仪等，这些仪器产生的高维数据中含有丰富的化学信息，而常规方法又难以处理这些数据。因此，基于二阶校正的平行因子分析（parallel factor analysis，PARAFAC）应运而生。这类方法能在未知干扰存在的情况下对复杂的农药残留信号进行可靠解析，具有著名的“二阶优势”[49-50]。Herrero等[51]采用GC-MS耦合程序升温汽化器对橘子中的三嗪类残留进行了测定；为解决色谱洗脱时间变化及背景干扰等问题，作者采用PARAFAC来解析重叠色谱信号，实现了商业橘子中三嗪类残留的准确定量分析。此外，Montemurro等[52-53]将PARAFAC和展开偏最小二乘/残差三线性化（unfolded partial least-squares combined with residual trilinearization，U-PLS/RTL）方法引入HPLC以及三维荧光构造的四维数据分析中，利用这些算法特殊的“高阶优势”处理复杂数据，成功实现果汁中农药残留含量的高灵敏分析。三阶校正算法是化学计量学方法的前沿研究领域，其在二阶之上引入额外一维，在分析中具有更高的维度优势，能更好地避免背景干扰和基体效应。其中报道最多的是四维平行因子分析（four-way PARAFAC）。Rubio等[54]利用三维荧光光谱法开展了生菜中氨基甲酸酯类农药的定量分析；针对信号中目标农药残留组分和食品基质组分均重叠严重的问题，作者结合样品提取物不同的稀释度成功构造了四维荧光数据，并借助Four-way PARAFAC方法解析复杂的四维数据，很好地得到了不同稀释度下目标农药残留的分析结果。目前，高阶分析仪器还不多，相对应的高阶校正算法的研究应用还处在探索阶段，但是其拥有的潜能却吸引着越来越多的研究者去挖掘与发现。

5 小结与展望

借助化学计量学方法的数学模型与理念，食品分析中的许多问题都得到了解决与改善，极大地推动着农药残留研究向简单、快速、高效和自动化的方向发展。同时，伴随着新型检测技术的推广，如高光谱成像技术、高阶量分析技术等，可以为食品中农药残留的检测提供新的手段。而新的化学计量学方法的创新与发展，尤其是高阶校正算法的发展将是一个极具潜力的研究方向；不同化学计量学方法之间的交叉结合产生新的算法，往往也能发挥更大的农药残留分析优势。然而，大多化学计量学方法本身或多或少都存在一定的缺陷，在食品农药残留分析中很难取得满意效果；此外，在食品农药残留检测中以化学计量学为指导的研究还不多，很多化学计量学领域的新方法都尚未在食品分析中得到应用。所以，如何更好地将化学计量学方法结合分析技术运用到食品农药残留检测中来，仍是一个值得深入探究的课题。