近日，中国农业科学院农产品加工研究所粮油减损与真菌毒素防控创新团队基于高灵敏全细胞生物传感器阵列和AI机器学习回归模型，成功开发了一种玉米花生霉变程度及黄曲霉毒素B1（AFB1）含量的量化监测预警技术。相关研究成果发表于国际期刊《Journal of Hazardous Materials》（JCR一区，IF=11.3）。加工所2022级中比博士研究生孙露和博士后马俊宁为并列第一作者，邢福国研究员为通讯作者，该研究得到中国农科院重大科研任务（CAAS-ZDRW202414）和国家农业科技创新工程等项目的资助。 粮食和油料收储及加工过程中的霉变是导致产后损耗的重要原因，严重威胁全球粮食安全。霉变过程中产生具有强毒性和致癌性的真菌毒素，特别是剧毒并且可诱发原发性肝细胞癌的AFB1，严重危害食品安全和人类生命健康。粮食和油料霉变程度、AFB1含量的精准定量监测预警技术一直是产业难题。 该研究针对黄曲霉侵染玉米、花生后产生的特征性有机挥发物，采用转录组学方法筛选到8个全新的特异性诱导表达基因，应用其启动子序列构建了8个大肠杆菌发光菌株，组成全新的全细胞生物传感器阵列。该阵列结合包括随机森林（Random Forest）、XGBoost、CatBoost、随机梯度提升（SGB）、支持向量机（SVM）以及稀疏偏最小二乘判别分析（SPLSDA）等多种人工智能机器学习回归模型，实现了对玉米和花生霉变天数及AFB1含量的精准定量预测。其中，XGBoost作为一种基于梯度提升框架的高性能集成学习算法，在众多模型中表现尤为突出。在玉米的内部验证中，XGBoost模型对霉变天数与AFB1含量的预测准确率分别达到94%和98%，并在采用独立黄曲霉菌株的外部验证中保持了强大的泛化能力，显著优于此前基于通用应激启动子的全细胞传感器。在花生中亦取得类似结果，XGBoost在内部验证中对霉变程度和AFB1含量的预测准确率分别达到94%和97%，证实了该模型在不同基质和真菌菌株中的稳健性。特征重要性分析进一步揭示了早期宿主响应机制。 本研究为粮油真菌及毒素风险监测提供了一套创新解决方案，为保障国家粮食与食品安全提供了有利技术支撑。 图文摘要 原文链接 https://www.sciencedirect.com/science/article/abs/pii/S030438942502802X?dgcid=author
