拉曼光谱技术在食品真实性鉴别中的研究进展

邱 烨 郝 欣 孔维恒 王艺凯 贾文珅 张 岩 周 巍 刘 鑫*

（1.中国海关科学技术研究中心，北京 100026；2.北京市农林科学院质量标准与检测技术研究所，北京 100097；3.河北省食品检验研究院（河北省食品安全重点实验室），石家庄 050227）

随着社会的发展和生活水平的提高，消费者的消费观念从“ 吃得饱 ”向“ 吃得好 ”转变。但一些不法商家在经济利益驱动下对食品采取添加非法物质、以次充好、虚标产地来源等手段来获取高额利润，严重侵害了消费者的权益，对食品行业造成了极大的负面影响，甚至破坏了消费者对整个食品行业乃至国家的信任，引起消费者高度关注[1-3]。中国政府在2008年的“ 三聚氰胺事件 ”之后，采取了“ 最严格的监管措施 ”规范食品行业[4]；欧盟在2013年“ 马肉风波 ”食品掺假事件发生后，将食品真实性检测技术研究列为“ 地平线2020 ”计划的重点研究领域[5]。目前食品真实性问题已经成为国内外关注的热点问题，是食品安全监管的重要研究方向之一。

食品真实性鉴别方法主要包括理化检测技术[6]、分子生物学技术[7]、蛋白质技术[8]和传感器技术[9]等[10]。与上述方法相比，拉曼光谱技术具有对样品无损、灵敏度高、零污染和实用性强等优点[11]。拉曼光谱技术还具有指纹识别功能，可以同时识别多个样品分子[12]，对样品进行定性定量分析[13]，并且能够快速进行在线监测或现场检测[14]，是一种解决食品真实性问题的有效方法。拉曼光谱技术通常与化学计量学结合，分离提取样品中复杂的分子振动信息，进行数据描述，用于分析复杂的食品材料，区分食品的地理来源和品种，鉴别加工食品的生产方法，鉴定食品成分和非法添加剂等[15，16]。

拉曼光谱技术是一种基于拉曼散射效应的光学测量技术。本文重点综述了该技术在肉类及其制品、乳制品、食用油、蜂蜜、谷物及其制品等食品的真实性研究和鉴别中的应用，并对该技术在该领域研究的未来发展进行了展望，以期为食品真实性研究提供价值。

1 食品真实性鉴别中拉曼光谱技术的概述

由于拉曼散射光容易被可见光区或紫外光区激发的荧光覆盖且强度低，导致信号非常微弱，因此过去很长一段时间拉曼光谱技术发展缓慢。激光技术在1960年兴起后，拉曼光谱技术以激光作为光源，大幅度提高拉曼散射信号强度，自此拉曼光谱技术快速发展。拉曼光谱技术在食品真实性研究领域中，根据分光系统差异总体可以分为色散型拉曼光谱（DRS）和傅里叶变换拉曼光谱（FT-RS）两类。DRS主要通过单极或多级光栅进行分光，而FT-RS采用迈克尔逊干涉仪进行分光。以DRS为基础，衍生出FT-RS、空间位移拉曼光谱（SORS）、表面增强拉曼光谱（SERS）、共聚焦显微拉曼光谱、便携式拉曼光谱等多种拉曼光谱技术[17]，表1总结了上述拉曼光谱技术在食品真实性鉴伪中的优缺点。

表1 不同拉曼光谱技术在食品鉴伪中优缺点对比

2 拉曼光谱技术在食品真实性鉴别中的应用

拉曼光谱技术在食品真伪甄别、产地溯源和检测非法添加物3个主要的食品真实性研究中具有独特的检测优势，例如具有无损快速、样品深层次检测、制备样品简单且时间短、无需样品前处理和灵敏度高等优点。本文将检测目的、鉴别对象、拉曼光谱特征带等总结在表2，为拉曼指纹图谱和数据库建立提供参考和借鉴。仅通过光谱上特征峰的位置、峰宽和峰高等对物质进行定性或定量分析，很难满足检测复杂的食品样品的需求，因此往往将光谱信息与化学计量学结合，建立化学计量学模型，完成分类判别的任务，实现精准定性定量的目的[32]。

表2 食品真实性的鉴别技术应用情况

2.1 拉曼光谱技术在肉类及其制品检测中的应用

通过拉曼光谱技术分析肉类及其制品的分子结构和各种基团之间的关系，可对其进行真实性鉴别分析[33，34]。由于猪肉与牛羊肉有相似的外观和成分，一些不法商人用猪肉代替较贵的牛羊肉，严重扰乱市场秩序。Haoran等[35]通过结合拉曼光谱技术和激光诱导击穿光谱技术（LIBS），采用随机森林（RF）优化的反向传播神经网络（BPNN），鉴别肉中的半胱氨酸、谷氨酸和苯丙氨酸，对牛肉、羊肉和猪肉组织进行分类，准确率（ACC）可达99.42%，表明该方法是快速、稳健的肉类组织识别方法。以上研究表征了LIBS和拉曼光谱技术结合检测的可行性，两者结合可有效提高模型的识别精度，充分挖掘被测样品在原子和分子水平上的内部信息，在一定程度上克服了其他技术在样品识别上的潜在局限性。海产品也存在食品掺假问题，包括地理来源掺假、廉价替代品和有毒有害物质非法添加、成分组成比例和重量掺假等。与刚性的SERS基底相比，柔性SERS基底的灵敏度相对有限，一方面因为单层金属纳米粒子的高透过率导致拉曼信号损耗大，另一方面是单层金属纳米粒子膜增强作用弱。但Sun等[36]制备了一种PMMA/Ag/石墨烯/Ag/石墨烯杂化结构的柔性高灵敏度SERS基底，可以直接附着在鱼皮上检测孔雀石绿的含量，该装置在5 min内完成检测，结果显示检测限（LOD）低至10-7mol/L，灵敏度高，实用性十分强，很适合检测水产品的非法添加物。这种灵活和透明的柔性SERS基底有望被应用于食品安全检测、医疗诊断和生物传感器等其它领域。拉曼光谱技术对于肉类及其制品的真实性研究已经能够准确定性分析，但定量分析还需要进一步探讨，也需要深入探索化学计量学模型，确定最佳的建模方法，实现对肉类及其制品的准确检测。

2.2 拉曼光谱技术在乳制品检测中的应用

拉曼光谱技术在指纹范围内不受水分子干扰，具有快速、无损和准确等优点，因此适用于检测含水量高的牛奶[37]。许多不法商家不仅利用麦芽糊精、葡萄糖和面粉等廉价物掺假乳制品[38]，还非法添加非蛋白氮掺杂物增加氮含量，危害消费者生命健康。由于SERS具有灵敏度超好、快速无损等优点，该方法用于三聚氰胺的检测已经大量被报道。为了减少分析成本、增加结果的稳定性和缩短检测时间，Viehrig等[39]开发了一个电化学辅助的SERS平台用于检测牛奶中的三聚氰胺，可以逆转分析物与表面的相互作用，却不损坏SERS基底，从而实现重复使用，LOD为0.3mg/L，灵敏度好。因为检测可逆性，所提出的方法和检测平台为需要连续监测和在线检测的应用提供了新的可能性。此外，当小型拉曼系统和恒电位仪结合时，该方法将适用于现场检测。纸张、纺织品、胶带等模板化的SERS基底由于具有成本低、操作简单、易于样品处理和现场应用等优点，被越来越多地用来替代传统的基质[40]。Zhang等[41]首次开发了一种基于银纳米颗粒功能化的市售滤纸的新型疏水SERS基底用于检测稀释牛奶中的三聚氰胺。与传统的基底相比，这种新型的SERS基底不仅可以满足简单和大规模的制备要求，而且还实现了具有可重复使用特性的直接液滴检测。该方法检测限低至1 mg/L，展现了高灵敏度的优点。近年来，SERS的发展受到限制，因为大多数基底的制造过程非常复杂，而且基底本身缺乏灵活性、生态友好性和经济性，因此可以克服上述缺点的SERS纸基被强调用于食品安全和环境应用的分析检测。过去几年中研究人员一直致力于开发检测液态奶中三聚氰胺的SERS活性基底[42-44]。并且随着拉曼光谱技术的不断进步，三聚氰胺的LOD值能达到痕量级，完全满足国家要求。

2.3 拉曼光谱技术在食用油检测中的应用

常见的食用油掺假手段有低价油掺入高档油、非食用油掺入食用油、高档油的组成比例与标签描述不一致等情况[45]。由于特级初榨橄榄油（EVOO）、山茶油和牡丹籽油等高档油具有较高的营养价值，因此常成为非法商家的掺杂对象。Kuang等[46]首次开发了一种近红外拉曼光谱结合反向传播人工神经网络（BPANN）模型实时检测分析山茶油掺假情况的方法。预测线性值＞0.999和均方误差（MSE）＜1%，表明该方法是一种快速精确的方法。同时该方法具有分析时间快、无需样品制备等优点，特别适合于快速检测其它植物油的掺假情况。EVOO是一种复杂的食品基质，很难测试和表达其质量。Wang等[47]提出了一种共聚焦拉曼和荧光光谱（CRFS）与多元线性回归（MLR）相结合的技术方案，实现了拉曼和荧光光谱光谱数据的同时采集，并发现了EVOO中的微量成分——叶绿素和β胡萝卜素的拉曼光谱。结果显示均方根误差（RMSE）为0.0068，外部预测的R2为0.9996。结果表明该方法不仅可以获得定量分析的微量成分的拉曼光谱，而且还可以减少EVOO中荧光淬灭对光谱定量分析的影响，提高定量精度，具有更广泛的应用范围。拉曼光谱技术检测方法还应用于其它食用油的鉴别，例如鉴别棕榈油中是否非法添加苏丹IV[48]、快速识别核桃和南瓜油的掺假情况[49]。通过结合化学计量学的拉曼光谱技术在鉴别食用油真实性的研究中，已经达到了非常高的实验准确性，但相应的在线检测平台有待开发，以期进一步提高实际应用中的生产效率。

2.4 拉曼光谱技术在蜂蜜检测中的应用

蜂蜜因具有独特风味和抗菌、抗炎、抗氧化、调节血糖血脂、改善心血管危险因素等功能[50]，导致蜂蜜供不应求[51]。一些不法商家为了获取利益而对蜂蜜进行掺假，且一旦掺假难以发现，使其成为世界上第三大掺假的食品[52]。蜂蜜掺假最常见的做法是在天然蜂蜜中掺入廉价甜味剂，当然植物学或者地理来源的标签不符合天然蜂蜜产品也属于食品欺诈[53]。虽然拉曼光谱技术不易受到水分子干扰，但蜂蜜的光谱信息是复杂和重叠的，因此需要结合化学计量学提取光谱数据中的潜在特征和有用信息。检测蜂蜜掺假的光谱技术通常会分析有明确掺假物种类的样品，但Wu等[54]在糖浆类型未知的情况下，将拉曼光谱技术与卷积神经网络（CNN）定量模型结合直接预测蜂蜜样品的掺假浓度，是一种更可靠，更接近实际检测过程的方法。将CNN模型与基于相同光谱数据集的偏最小二乘回归（PLSR）和支持向量机（SVR）算法进行比较，因为这些算法分别是深度学习、传统化学计量学和机器学习领域的代表性算法。结果显示与PLSR和SVR相比，CNN模型取得了最好的性能，ACC＞99.76%，R2＞0.95和预测的均方根误差（RMSEP）＜4.25。表明该方法是一种无损、可靠和有前途的光谱分析方法。此外拉曼光谱也被成功应用于区分不同地理或者品种来源的蜂蜜[55，56]。

2.5 拉曼光谱技术在谷物及其制品检测的应用

大米产地和品种不同，品质也会有所差异，价格也因此不同。一些不法商家为了追逐利益的最大化，常使用劣质大米冒充优质大米或者虚假标注谷物地理来源，破坏消费者对生产者的可信度。众所周知，精米颗粒中的碳水化合物、粗蛋白、粗脂肪和水分布不均匀，因此需要一种能够无损整个米粒的检测方法以便进行准确的分析，而拉曼光谱技术具有这方面的优势[57]。Wang等[58]采用拉曼光谱技术结合化学计量学的方法，对同一栽培品种但不同产地的稻谷样品的特征光谱峰进行提取和分类，利用PCA提取的8个特征值/特征光谱峰（476cm-1、867cm-1、940cm-1、1121cm-1、1342cm-1、1384cm-1、1462cm-1和2914cm-1）建立反向传播神经网络结构作为大米原产地识别模型，ACC为98.75%～96.25%，结果表明该方法作为同一品种水稻类型识别的工具是可行的，方便快捷，可以有效地识别不同地区的水稻，为大米产地鉴定提供理论支持。

4 结论与展望

本文总结了拉曼光谱技术在食品真实性鉴别中的优缺点,与其它方法相比具有显著的技术优势。例如不破坏待测样品、非直接接触样品、基本不受溶液中水分子影响、快速简便高效、对环境友好、能够提取大量信息和提供指纹识别能力等。然而，现阶段拉曼光谱技术在食品检测中也存在一些技术瓶颈。例如采用不同光谱预处理方法，选择不同的波段和建模方法，数据分析模型的精度和稳定性会因此受到影响，并且预测模型的应用必须与建模前所用的基质相一致，否则不能得到较好预测。目前没有一种拉曼光谱技术可以得到待测样品的所有信息，且拉曼光谱图库更新周期长，很难满足食品数据快速变化的趋势。加上光谱数据分析复杂，需要技术人员进行数据处理。为解决拉曼光谱技术的一些短板，在未来研究中，1）可以通过选择合适的激发波长，优化前处理技术，建立优秀的化学计量学模型，提高准确性和稳定性；2）开发便携式或者手持式拉曼光谱仪，或者开发与其它方法相结合的拉曼光谱技术，提高实用性和进行快速的现场检测；3）优化光谱处理技术，扩大样品范围，针对不同场景建立数据库，开发在线检测设备；4）开发数据集成分析软件、图像处理系统，解决拉曼光谱数据处理复杂的问题；5）开发更加灵活、对环境更加友好和更加经济的SERS基底。