下载:
-
黄曲霉毒素(aflatoxins, AFs)主要是由黄曲霉Aspergillus flavus和寄生曲霉Aspergillus parasiticus产生的有毒次级代谢物，可通过污染食品和饲料进入食物链，严重威胁动物和人类健康[1]。目前，国内外已发现超20种AFs，其中黄曲霉毒素B1(AFB1)毒性最强，危害最大，已被国际癌症研究机构(IARC)列为Ⅰ类致癌物[2-4]。AFB1具有强烈的“致突变、致癌和致畸作用”和免疫毒性，过量摄入可破坏人和动物的肝脏组织，引发急性中毒，长期摄入则会引发各组织器官癌变[5-6]。建立快速、高灵敏的AFB1检测方法对于保障食品安全具有重要意义。在AFB1检测手段中，仪器法如高效液相色谱法(HPLC)、气相色谱法(GC)和液相色谱-串联质谱法(LC-MS/MS)等虽灵敏度高，准确性和重现性较好，但设备耗材昂贵且操作繁琐，难以用于样本的初筛和在基层使用[7-10]；相比仪器分析法，基于抗原抗体反应的免疫分析法因操作简单、灵敏度高且特异性好，在真菌毒素检测领域应用较广，特别是免疫层析法，省时高效且无需借助复杂仪器，尤其适合大量样本的现场筛查[11-16]。本研究基于免疫层析技术原理，采用金颗粒标记AFB1单克隆抗体，在竞争反应模式下，优化金颗粒尺寸、层析体系各组成材料及相关缓冲液配方，最终建立AFB1高灵敏定性定量免疫层析检测法，通过肉眼直接对检测结果定性判定，或借助便携式信号读取设备实现定量分析，以满足对AFB1污染情况快速筛查的检测需求。
-
牛血清白蛋白(BSA)、卵白蛋白(OVA)、N-羟基琥珀酰亚胺(NHS)、羧甲基羟胺半盐酸盐(CMO)、N,N-二环已基碳二亚胺(DCC)、二甲基亚砜(DMSO)、各真菌毒素标准品购自Sigma公司；AFB1单克隆抗体(Anti-AFB1)、硝酸纤维素膜和玻璃纤维等免疫层析耗材购自奥唯生物；黄曲霉毒素B1商品化检测试剂盒购自无锡景麒生物；其他试剂购自上海国药；谷物样本由浙江省检验检疫科学技术研究院提供。
-
选取不同载体蛋白(BSA和OVA)制备AFB1完全抗原。步骤：AFB1标准品(2 mg)溶解于甲醇-吡啶溶液(体积比1∶1)，加入5 mg CMO震荡至完全溶解，70 ℃下搅拌活化2 h；活化产物自然干燥后，加入1 mL蒸馏水并使用氢氧化钠溶液(1 mol·L−1)调pH至8.0，为去除体系中未反应的AFB1，使用5 mL苯溶液抽提3次，pH调至3.0 (0.2 mol·L−1盐酸)，产物经5 mL乙酸乙酯抽提3次后干燥得到AFB1肟化物AFB1O；所得AFB1O溶解于2 mL二甲基甲酰胺(DMF)，分别加入DCC (8.9 mg)和NHS (5.0 mg)室温搅拌活化4 h；BSA (14.0 mg)或OVA (9.3 mg)溶解于1 mL碳酸氢钠溶液(0.1 mol·L−1，pH 9.5)，将上一步所得的AFB1O活化产物缓慢滴加至载体蛋白溶液，室温混匀反应2 h；反应结束后在磷酸盐缓冲液(0.01 mol·L−1，pH 7.4)中4 ℃透析72 h，每12 h换液，产物即为AFB1完全抗原，经酶联免疫检测法(ELISA)鉴定后保存备用。
-
采用柠檬酸钠还原法分别制备不同粒径的金颗粒(20和40 nm)用于单克隆抗体的标记[17]。具体步骤：250 mL三角烧瓶(在浓硫酸-重铬酸钾溶液中浸泡并使用去离子水冲洗干净)置于磁力搅拌加热器，加入100 mL质量分数为0.01%氯金酸溶液加热至沸腾，迅速加入0.750或0.375 mL质量分数为2%的柠檬酸钠溶液分别制备20和40 nm粒径的金颗粒，搅拌加热至混合液颜色至酒红色，调低功率继续加热5 min，室温自然冷却后即得到金颗粒溶液，采用目测法和透射电镜扫描鉴定后备用。
-
金颗粒标记抗体最佳pH和抗体标记最佳结合质量浓度参考文献[18]。金颗粒标记抗体步骤：使用10 mmol·L−1Tris-HCL溶液(pH 7.4)稀释单克隆抗体Anti-AFB1至最佳结合质量浓度，金颗粒溶液经0.2 mol·L−1碳酸钾调节至抗体标记最佳pH；取50 mL已调节pH的金颗粒溶液，边搅拌边加入待标记抗体，室温混匀30 min；反应结束后加入BSA溶液(终质量分数为1%)，混匀30 min后4 ℃ 2 000 g离心30 min，弃沉淀；上清8 000 g 离心30 min，将所得沉淀重悬于10 mL 2 mmol·L−1含质量分数为1% BSA的硼酸盐缓冲液(pH 7.4)，8 000 g离心20 min去除未结合的抗体，重复2次；所得沉淀溶解于5 mL硼酸盐缓冲液，4 ℃保存备用。
-
定性定量免疫层析检测法如图1所示。检测线包被AFB1完全抗原，质控线包被山羊抗鼠二抗，金颗粒标记的Anti-AFB1固定于金标垫。滴加待检样品，经层析作用后，可通过肉眼观察检测线与质控线颜色差异进行定性判定或经便携式信号读取仪检测线信号值进行定量分析。
图 1 黄曲霉毒素B1定性定量免疫层析检测法示意图
Figure 1. Schematic diagram of the qualitative and quantitative immunochromatographic assay for the detection of aflatoxin B1
-
免疫层析法检测效果受多种参数影响，如标记抗体所用金颗粒粒径、检测线包被抗原类型、层析各组分材料品种(包括硝酸纤维素膜、金标抗体固定垫和样品垫)和各组分材料前处理液的类型和浓度[19-21]。优化策略：采用不同粒径金颗粒标记单克隆抗体，评价稳定性和敏感性，选取最优；对不同硝酸纤维素膜(Millipore 135、Millipore 180、Pall 170和Sartorius CN 140)、金标抗体固定垫(Ahlstrom 8964、Ahlstrom 6613、国产GF06和国产GF08)和样品垫(国产SB08和SB06)层析效果进行比较；以金标抗体稳定性和检测效果为标准，优化金标抗体保存液、抗原包被液、金标抗体固定垫和样品垫前处理液的最佳配方与浓度；确定样本萃取液稀释倍数，在消除基质影响的同时，获得最佳检测灵敏度。上述各参数优化均参考文献[22]进行。
-
优化处理后的样品垫、金标固定垫、硝酸纤维素膜和吸水板按图2所示粘贴于PVC底板，相邻部分依次重叠，压实并切割成条(宽0.5 cm)。取100 μL梯度质量浓度的AFB1标准液滴至加样孔，15 min后判定检测结果。
图 2 免疫层析体系各组分组成结构示意图
Figure 2. Sketch map of the immunochromatographic system
-
样本萃取：取待检样本5 g置于250 mL三角烧瓶，分别加入1 g氯化钠和25 mL甲醇-水溶液(体积比7∶3)，剧烈震荡15 min，4 000 g离心5 min后过滤，所得萃取液经超纯水稀释后待检。样本加标：阴性样本烘干后研磨过筛，加入AFB1标准品溶液，充分混匀后，室温过夜放置后待检。
-
采用37 ℃加速试验判定稳定性[18]。组装密封好的试纸条置于37 ℃恒温箱，不同天数(7、15、30 d)后取出，对其检测灵敏度进行评价，预测常温储存保存期。
-
采用免疫层析检测法、商品化检测试剂盒和LC-MS/MS平行检测天然AFB1阳性样本，并对检测结果的一致性进行分析。
-
采用AFB1单克隆抗体对AFB1-BSA/OVA进行ELISA鉴定，结果如图3所示，完全抗原组D(450)与对照比值(BSA/OVA)远大于2.1，表明制备成功，可用于免疫学方法的建立。
图 3 AFB1完全抗原AFB1-BSA和AFB1-OVA的ELISA鉴定
Figure 3. Absorbance of the AFB1 conjugates by indirect ELISA using their specific monoclonal antibodies
-
制备的金颗粒溶液颜色澄清鲜艳，40 nm金颗粒溶液颜色较20 nm深，无颗粒沉淀(图4A)，透射电镜扫描结果显示颗粒粒径与预期相符，尺寸均匀(图4B)，可用于后续抗体的标记。
图 4 目测法(A)和透射电镜(B)对金颗粒的鉴定
Figure 4. Colloidal solution of 20 nm and 40 nm diameter gold nanoparticles by visualization by naked eye (A) and images from TEM (B)
-
40和20 nm金颗粒标记物层析效果相当，但4 ℃储存时前者性质更稳定，可保存4周，因此综合考虑灵敏度和稳定性，后续试验将采用40 nm金颗粒进行单克隆抗体的标记。
-
包被AFB1-BSA时，检测线显色清晰且灵敏度更好，后续试验将采用AFB1-BSA作为检测线包被抗原。
-
层析组分材料会影响层析灵敏度、时间和稳定性。对各组分材料进行筛选，硝酸纤维素膜的比较结果显示：Sartorius CN 140相较于其他，流动性更佳且检测线不易弥散，层析15 min后即可判定结果，背景值低，为最优，封闭液为含质量分数为0.5%吐温20 (Tween-20)、1%聚乙二醇2000 (PEG 2000)、2%BSA和0.01%叠氮钠(NaN3)的10 mmol·L−1磷酸盐缓冲液(pH 7.4，PBS)；金标抗体固定垫的比较结果显示：Ahlstrom 8964上固定的金标抗体可在15 min内释放完全且无聚沉，为最优，处理液为含质量分数为4%蔗糖、1%BSA和0.25%表面活性剂TritonX-100的50 mmol·L−1硼酸盐缓冲液(pH 7.4，BB)；样品垫的比较结果显示：国产SB08对含甲醇、纤维素和蛋白质的样本承载能力和缓冲能力更强，为最优，前处理液种类与金标固定垫相同。
-
对含不同质量浓度海藻糖、NaN3和OVA的10 mmol·L−1硼酸盐缓冲液(pH 7.4，BB)在4 ℃条件下对金标抗体的储存和稀释效果进行比较，结果显示：在质量分数为10%海藻糖、1% BSA的条件下，金标抗体复溶效果较好且可稳定保存30 d，最终确定金标抗体存储稀释液为含质量分数为10%海藻糖、1%BSA和0.05%NaN3的10 mmol·L−1的硼酸盐缓冲液(pH 7.4，BB)。抗原包被液优化结果显示：含体积分数为3%甲醇的10 mol·L−1硼酸盐缓冲液(pH 9.0，BB)可使检测线颜色更加均匀和清晰。
-
为获得最佳的检测效果，对完全抗原包被质量浓度和金标抗体的使用质量浓度进行优化，最终确定AFB1-BSA的包被质量浓度为0.4 g·L−1，10倍稀释后的金标AFB1单克隆抗体喷涂量为20 μL·cm−2。
-
如图5所示：与对照相比，随着AFB1质量浓度的升高，检测线逐渐变浅直至消失，肉眼条件下，使检测线质量浓度发生明显变化的最低标准品质量浓度即为检测限，因此，本免疫层析法的检测限为0.10 μg·L−1。配制系列梯度质量浓度的AFB1标准品溶液进行检测，层析结束后使用便携式信号读取仪分析检测线信号强度。以标准品质量浓度(x)为横坐标，检测线信号强度抑制率(y)为纵坐标，绘制标准抑制曲线，进行线性回归分析(图6)，线性方程为y=0.631 9x+1.159 1，R2=0.984 3，定量区间为0.03~0.27 μg·L−1，检测下限为0.02 μg·L−1。
图 5 免疫层析法对黄曲霉毒素B1的定性检测限
Figure 5. Detection limits of immunochromatographic assay for aflatoxin B1
图 6 免疫层析法对黄曲霉毒素B1的抑制曲线(A)和定量标准曲线(B)
Figure 6. Tri-parametric curve fitting of log concentration of aflatoxin B1 vs inhibition rate by immunochromatographic assay (A) and the calibration curve for quantification of aflatoxin B1 (B)
-
以谷物类样本中其他常见真菌毒素如赭曲霉毒素A(OTA)、玉米赤霉烯酮(ZEN)、伏马毒素B1 (FB1)和呕吐毒素(DON)作为竞争抗原，进行特异性验证，结果如图7所示，建立的免疫层析检测法对上述毒素均不存在交叉反应，特异性较好，质量浓度均为5.00 μg·L−1。
图 7 定性定量免疫层析法对其他真菌毒素的交叉反应性
Figure 7. Cross-reactivities of the qualitative and quantitative immunochromatographic assay for different mycotoxins
-
如图8所示：对玉米Zea mays样本进行加标试验，当AFB1加标质量分数为2.5 μg·kg−1可使检测线变化明显，说明该免疫层析检测法在实际样本中的定性检测限为2.5 μg·kg−1。
图 8 免疫层析法对黄曲霉毒素B1加标样本的定性检测
Figure 8. Qualitative detection of aflatoxin B1 spiked samples by immunochromatography
当AFB1加标质量分数依次为1.0、2.5、5.0和15.0 μg·kg−1时，如表1所示，该免疫层析法在玉米样本中的加标回收率为89.62%~110.43%，批内变异系数为4.51%~6.58%，批间变异系数为7.28%~9.72%，说明该方法准确率较高且稳定性较好。
表 1 免疫层析法对黄曲霉毒素B1加标样本的定量检测
Table 1. Quantitative detection of aflatoxin B1 spiked samples by immunochromatography assay
AFB1加标质量
分数/(μg·kg−1)批内 批间 回收
率/%变异系
数/%回收
率/%变异系
数/%1.0 89.62 ± 5.31 5.93 95.72 ± 8.03 8.39 2.5 96.47 ± 6.35 6.58 103.56 ± 7.54 7.28 5.0 95.16 ± 4.29 4.51 93.25 ± 9.06 9.72 10.0 110.43 ± 6.15 5.57 107.59 ± 8.56 7.96 说明：数据为平均值±标准差，n=3 -
37 ℃加速稳定性实验结果表明：建立的免疫层析试纸条放置30 d后仍能对AFB1进行定性检测与定量分析，灵敏度未受影响，表明稳定性良好，推测室温可稳定保存1 a。
-
如表2和图9所示：免疫层析法检测结果与LC-MS/MS的相关性一致性较好(R2=0.863 1)，与商品化试剂盒的检测结果经SPSS软件分析，同样显示显著相关(P＜0.01)。综上表明：本研究建立的免疫层析检测法可适用于实际样本中AFB1的快速定量检测与分析。
表 2 免疫层析法、商品化试剂盒和LC/MS/MS对天然样本中黄曲霉毒素B1的定量检测结果
Table 2. Quantitative detection of AFB1 in natural samples by the developed immunochromatography assay, commercial ELISA kit and LC-MS/MS
样本编号 AFB1/(μg·kg−1) 样本编号 AFB1/(μg·kg−1) 免疫层析检测法 LC/MS/MS 商品化试剂 免疫层析检测法 LC/MS/MS 商品化试剂 1 5.11 ± 0.32 4.79 ± 0.29 5.65 ± 0.37 8 1.83 ± 0.14 2.15 ± 0.27 2.71 ± 0.19 2 3.17 ± 0.25 2.52 ± 0.16 2.08 ± 0.18 9 2.09 ± 0.17 2.86 ± 0.25 3.57 ± 0.26 3 1.06 ± 0.11 1.34 ± 0.14 2.33 ± 0.32 10 8.65 ± 0.35 7.21 ± 0.62 8.94 ± 0.19 4 6.63 ± 0.47 5.83 ± 0.43 5.36 ± 0.57 11 4.63 ± 0.29 5.93 ± 0.38 4.38 ± 0.23 5 2.69 ± 0.22 3.15 ± 0.29 2.25 ± 0.26 12 5.27 ± 0.41 6.07 ± 0.57 5.66 ± 0.35 6 1.82 ± 0.13 2.57 ± 0.15 3.35 ± 0.18 13 3.28 ± 0.37 2.19 ± 0.18 3.95 ± 0.31 7 7.16 ± 0.51 6.03 ± 0.31 7.82 ± 0.23 说明：数据为平均值±标准差 
图 9 免疫层析法与LC-MS/MS定量结果相关性分析
Figure 9. Correlation of results obtained by immunochromatography assay and LC-MS/MS for AFB1 detection in natural samples
-
常规免疫层析检测法采用胶体金颗粒作为抗体标记物，通过在检测线和质控线形成明显的颜色反应，因此金颗粒粒径对抗体标记效率和检测灵敏度影响较大。本研究中，40 nm金颗粒标记AFB1单克隆抗体后，与20 nm相比，虽在检测灵敏度上无明显优势，但稳定性更佳，故确定为最终的抗体标记物。作为免疫层析系统的重要组成部分，不同类型硝酸纤维素膜、金标抗体固定垫和样品垫，会直接影响检测效果[21]。本研究经对比，选用Sartorius CN 140、聚酯膜Ahlstrom 8964和玻璃纤维SB08分别作为硝酸纤维素膜、金标抗体固定垫和样品垫使用。层析体系中各缓冲液的种类和质量浓度同样影响检测效果，如检测线或质控线信号强度和清晰度、金标抗体释放效率和稳定性以及样本在硝酸纤维素膜上的迁移速率等[23-24]，并且适量质量分数蔗糖/海藻糖、BSA、PEG 2000、NaN3以及表面活性剂TritonX-100或Tween-20的加入有助于获得更好的检测效果和稳定性[23-26]。本研究制备的AFB1免疫层析检测法在实际样本中的定性和定量检测限分别为2.5和0.5 μg·kg−1，满足谷物及饲料中AFB1快速定性检测和定量分析需求。相比ELISA，该定性定量免疫层析法更加简单快速且成本低，适用于大量样本的快速初筛，样本结果疑似阳性再选用仪器法进行确认分析，可大大提升检测效率。
A highly sensitive qualitative and quantitative immunochromatographic method for the detection of aflatoxin B1
-
摘要:
目的 真菌毒素可污染农产品和动物源性食品，其中黄曲霉毒素B1(AFB1)毒性强、危害大，建立AFB1快速、高灵敏和便捷的检测方法对于监测相关产品中AFB1污染水平，保障人和动物健康均具有重要意义。基于侧向层析技术原理，采用竞争模式，优化建立免疫层析检测方法，以实现AFB1的快速定性检测和定量分析。 方法 通过比较分析不同粒径金颗粒标记抗体效果，优化确定免疫层析各组分材料类型、相关缓冲液配方及最佳使用质量浓度，建立AFB1高灵敏定性定量免疫层析检测方法。 结果 优化建立的AFB1免疫层析检测法在实际样本中的定性和定量检测限分别为2.5和0.5 μg·kg−1，灵敏度高、特异性强，与其他常见真菌毒素无交叉反应，加标回收实验结果显示：该方法准确稳定，且对AFB1天然污染样本的定量检测结果与商品化试剂盒及LC-MS/MS一致性较好。 结论 本研究制备的免疫层析检测法可用于样本中AFB1污染的快速定性检测与定量分析，适合缺乏实验条件的基层检验检疫机构和农产品加工企业对大量样本进行快速筛查，样本检测结果疑似阳性再采用仪器法进行确认，可降低检测成本，提升检测效率，同时为建立其他病原微生物免疫层析检测方法提供参考。图9表2参26 Abstract:Objective Fungal metabolites, commonly known as mycotoxins, can pollute agricultural products and food of animal origin, among which aflatoxin B1 (AFB1) is the most common, toxic and detrimental. Establishing a rapid, highly sensitive and convenient detection method of AFB1 is of great significance for the protection of human and animal health. The objective of this study is to optimize the immunochromatographic detection method based on the principle of lateral-flow chromatography and competitive mode, so as to realize the rapid qualitative detection and quantitative analysis of AFB1. Method A highly sensitive qualitative and quantitative immunochromatographic detection method for AFB1 was established by comparing and analyzing the labeling effects of gold particles of varying sizes, optimizing the material types of each component of immunochromatography, as well as relevant buffer solution and the optimal mass concentration. Result The qualitative and quantitative detection limits of the optimized AFB1 immunochromatographic method in samples were 2.5 and 0.5 μg·kg−1, respectively, with high sensitivity and specificity and no cross reaction with other common mycotoxins. Standard addition recovery experiment showed that the method was accurate and stable, and the quantitative detection results of AFB1 natural contamination samples were in good agreement with commercial kit and LC-MS/MS. Conclusion The immunochromatographic detection method prepared in this study can be used for rapid qualitative detection and quantitative analysis of AFB1 contamination in samples. It is suitable for grass-roots inspection and quarantine institutions and agricultural product processing enterprises that lack experimental conditions to quickly screen a large number of samples. If the sample test result is suspected to be positive, the instrument method can be used for confirmation, which can reduce the test cost, improve the test efficiency and provide reference for the establishment of immunochromatographic detection methods for other pathogenic microorganisms. [Ch, 9 fig. 2 tab. 26 ref.] -
木材在中国可再生资源中占有很大的比例。随着国民经济逐步增长，木材市场不断扩大。目前，由于优质木材频频出现供需不平衡、木材造假等问题，因此采用多种识别技术来甄别木材种类已成为必然。木材种类识别除了依照形态学处理外，还可以使用计算机图像识别、DNA识别等方法[1-3]，但是这些方法和传统的取样方法一样[4]，都需要对树木进行剖析和制样，对于一些珍贵的木材会造成不必要的浪费，甚至会降低本身的价值。近红外光谱分析技术是20世纪70年代兴起的一种新的木材识别分析技术。它作为一种常用的测量工具，具有快速、无损、在线分析等优势。近几年，学者们应用近红外光谱技术对木材种类进行了识别研究[5]，如王学顺等[6]利用近红外光谱技术，结合主成分分析(PCA)和BP神经网络对不同木材种类进行了识别研究，效果良好。谭念等[7]基于近红外光谱技术，联合PCA和支持向量机实现了木材种类的有效鉴别。
目前，近红外光谱分析技术用于木材种类识别大多采用PCA进行特征提取，实现数据降维，但这种方法的特征值筛选有一定的局限性，仅凭累计贡献率决定特征值的个数，无法通过参数化等方法对处理过程进行干预，效率和物理实用性不高。连续投影算法(SPA)是一种常用的特征波长筛选算法。它能够利用向量的投影分析，寻找含有最低限度冗长信息的变量组，通过参数调整可实现较强物理实用性的数据压缩。陈远哲等[8]基于SPA构建了最小偏二乘法回归模型，适用于淡水鱼储藏期质构品质的快速无损检测。郭文川等[9]通过比较不同特征提取方式，得出采用SPA和随机森林识别准确率最高。遗传算法(GA)用于寻优，广泛应用于机器学习等领域。
本研究将SPA和GA联用，在运用SPA获得特征值后，应用GA进一步寻找最佳特征参数，以提升木材识别的效率和准确率。本研究以红檀Swartizia spp.、刺猬紫檀Pterocarpus erinaceus、巴里黄檀Dalbergia bariensis、大果紫檀Pterocarpus macrocarpus、红檀香Myroxylon balsamu、破布木Cordia dichotoma、豆瓣香Osmanthus delavayi、檀香紫檀Pterocarpus santalinus、中美洲黄檀Dalbergia granadillo和黑檀Dalbergia nigra为研究对象，应用可见/近红外光谱仪采集10种木材的光谱图，运用不同的预处理方式叠加进行降噪分析，以BP神经网络为木材种类的分类识别算法，探讨经GA优化的SPA较之常规特征提取算法的优越性，为更精确高效的木材识别提供参考。
1. 材料与方法
1.1 数据采集与主要仪器
数据采集：参与试验的木材共10种，试样为6 cm×5 cm×2 cm的木块。每种木材制备5块样本，共计50块。每块木材分10个点采集光谱，以木块横向等分2份，纵向等分5份，取每份的中心点作为标记进行采样，每个点采集10组数据，取平均值作为此样点的实验数据，即1块试样采集10组实验数据，10种木材共计采集500组实验数据。样点采集遵循以下原则：①采谱过程中每15 min进行1次空白校正，以保证光谱的稳定性。②每块木材样本大小、薄厚和形状均保持一致，确保样点在每块样本木块上的属性相同，最大程度缩小误差。
主要仪器：LabSpec 5000光谱仪(ASD公司，美国)，波长为350~2 500 nm。用光谱仪配套的软件Indico Pro Version 3.1采集光谱数据。
1.2 主成分分析法(PCA)
PCA是一种常用的波段降维手段。主成分通常表示为原始变量的某种线性组合，它们不仅能够代表原始变量绝大多数的信息，还可以一定程度上去除噪声，压缩数据，对高维数据进行降维，减少预测变量的个数[10]。
1.3 连续投影算法(SPA)
SPA是一种使矢量空间共线性最小化的前向变量选择算法，在降低共线信息的研究和有效信息获取的研究中取得较好的成效[11-12]。本研究应用SPA在光谱全波段中筛选出少量几个特征波段，不仅能够减少参与识别的光谱波段个数，并且可以保证特征波段之间的共线性最小，进而提高识别正确率和速度。
1.4 SPA-GA-BP神经网络识别方法
当SPA筛选后的输入自变量较多且不是相互独立时，利用BP神经网络容易出现过拟合的现象，从而导致所建立的模型精度低、建模时间长等问题，因此，在构建模型前，有必要对输入自变量进行优化，选择最能反映输入与输出关系的自变量参与建模。GA优化能较好解决上述问题。利用GA进行优化计算，需要将解空间映射到编码空间，每个编码对应问题的1个解。本研究将编码长度设计为10，木材光谱特征的每位对应1个输入自变量，每一位的基因取值只能是“1”和“0”，如果一位值为“1”，表示该位对应的输入自变量参与最终的建模；反之，则表示“0”对应的输入自变量不作为最终的建模自变量。选取测试集数据均方误差的倒数作为GA的适应度函数，这样，经过不断的迭代进化，最终筛选出最具代表性的输入自变量参与建模[13-14]。GA优化的设计步骤主要为：首先产生初始种群，对适应度函数进行计算，其次进行选择、交叉和变异的基础操作，最后优化结果输出，构建其模型。设计步骤如图1所示。
2. 结果与分析
2.1 10种木材的原始光谱图
应用LabSpec 5000光谱仪采集10种木材的原始光谱图，其中选取红檀的50个样本进行对比分析(图2)。
为了更直观地对比10种木材光谱图的差异，分别取10种木材中第1组数据进行绘图分析(图3)。由图3可见：大果紫檀、红檀和檀香紫檀的强度数值过小，几乎与x轴重叠。
由图2和图3可以看出：同一种木材光谱图的波形基本一致，但强度值略有差异；刺猬紫檀、巴里黄檀、红檀香、破布木、豆瓣香、中美洲黄檀这6种木材的光谱图从波峰、形状上相似性均较高，黑檀与这6种木材的光谱图也较相似，仅在第1个波谷处形状上略有差异。
2.2 主成分分析的BP神经网络识别
原始光谱图往往带有一定的噪声，影响BP神经网络识别的正确率，因此有必要对光谱数据进行预处理[15-17]。数据的预处理方法较多，本研究分别采用了移动平均法、移动平均法+多元散射校正(MSC)、移动平均法+标准正态变量变换(SNV)、Savitzky-Golay卷积平滑算法(S-G滤波器)、S-G滤波器+MSC和S-G滤波器+SNV对10种木材的原始光谱进行了预处理，通过对比分析以确定最佳的预处理方法。
针对上述的几种预处理方法，分别进行主成分特征提取。以累计贡献率达95%及以上为主成分个数的选取标准。以选取的主成分为输入向量，40个样本作为训练，10个样本作为测试(后文测试数据均与此相同，不再赘述)。应用BP神经网络进行木材种类识别测试，经过20次的随机试验，获得各种预处理下BP神经网络的平均识别结果(表1)。由表1可以看出：采用S-G滤波器+SNV预处理时，BP 神经网络获得的平均识别率最高，达到了84.7%。
表 1 不同预处理的PCA-BP神经网络识别率Table 1 PCA-BP neural network recognition with different preprocessing检测方式 预处理方法 累计贡
献率/%主成分
个数/个平均识
别率/%可见/近红外光谱 对照组 95 12 80.2 移动平均法 95 14 81.4 移动平均法+MSC 95 10 82.1 移动平均法+SNV 95 11 83.5 S-G滤波器 95 12 81.3 S-G滤波器+MSC 95 13 82.9 S-G滤波器+SNV 95 15 84.7 为了方便对比10种木材各自的识别效果，整理了S-G滤波器+SNV预处理时10种木材的BP神经网络识别结果：10种木材的识别效果相差不大，最低为豆瓣香(83.1%)，最高为刺猬紫檀(85.8%)。
2.3 SPA-BP神经网络识别
2.3.1 不同预处理的对比分析
针对2.2节中的几种预处理方法进行SPA的BP神经网络识别探讨，以确定最佳的预处理方法。为了对比预处理的效果，针对SPA方法中的起始波段和特征值个数进行了随机设置。令SPA方法中的起始波段(Winitial)为15 nm，特征值个数(Ntot)为10，对各种预处理后的数据进行SPA特征提取，应用BP神经网络进行20次的随机识别，得出10种木材的平均识别率(表2)。由表2可以看出：对于不同的预处理方式，SPA-BP的正确识别率有所不同，移动平均法+SNV的预处理方法最佳，正确率可达88.2%，因此，后续在分析SPA-BP神经网络识别木材时，本研究仅针对移动平均法和SNV叠加的预处理方法进行分析。
表 2 不同预处理的SPA-BP神经网络平均识别率Table 2 Average recognition rate of SPA-BP neural network with different pretreatments预处理方法 平均识
别率/%预处理方法 平均识
别率/%对照组 86.1 S-G滤波器 86.4 移动平均法 87.2 S-G滤波器+MSC 86.8 移动平均法+MSC 86.5 S-G滤波器+SNV 87.3 移动平均法+SNV 88.2 2.3.2 基于吸收峰的最佳起始波段分析
影响SPA特征提取的因素通常有2个，分别是Winitial和Ntot。随着Winitial和Ntot的改变，提取的特征波长分布会有所不同，从而影响最终BP神经网络的正确识别率，此处探讨最佳Winitial的选取方法。光谱图中的特征吸收峰对被分析物质是很关键的特征，因此首先考虑分别以木材的吸收峰和非吸收峰作为起始波段，通过对比分析，确定最佳起始波段。①吸收峰作为起始波段的选取。光谱图中分布了大小不一的波峰，选取波峰特征较明显的吸收峰进行分析，以波峰点为中心点，取宽度相等的波段区间(每个波段均取51个数据)作为吸收峰的集中分布波段，10种木材的吸收峰集中波段如表3所示。由表3可以看出：10种木材的吸收峰重叠的波段有1 230~1 260、1 780~1 810、1 940~1 970 nm。分别取3个波段的中位数作为起始波段值，即1 245、1 795和1 955 nm。因为Winitial的数值表示为序列号，所以在此基础上减去初始波段350 nm，Winitial最终取值分别为895、1 445、1 605 nm。②非吸收峰作为起始波段的选取。将全波段350~2 500 nm等分成5份，分别在每个等分波段中随机选取1个非吸收峰作为起始波段。本研究随机选取的5个波段的波长分别为365、1 145、1 345、1 700、2 300 nm。在此基础上减去初始波段350 nm，Winitial最终取值分别为15、795、995、1350、1 950。分别以上述的吸收峰和非吸收峰为起始波段值，即以15、795、895、995、1 350、1 445、1 605、1 950 nm作为SPA的起始波段。SPA的特征值个数统一取10，进行BP神经网络识别，经过20次的随机试验，10种木材提取的特征波长分布和平均识别率如表4所示。由表4可以看出：以吸收峰作为起始波段时，特征波长分布大多追溯在吸收峰附近。对比表4的识别率可见，起始波段为1 445 nm时最高，达90.4%，其余按照1605、895、795、995、1 350、1 950和15 nm的顺序依次递减。不难看出，吸收峰作为起始波段的识别率普遍优于非吸收峰。
表 3 10种木材吸收峰个数和集中波段Table 3 Number of absorption peaks and concentrated bands of 10 species of wood木材种类 吸收峰个数/个 集中分布波段/nm 红檀 7 920~970、1 010~1 060、1 210~1 260、1 570~1 620、1 779~1 829、1 921~1 971、2 122~2 172 大果紫檀 7 930~980、1 020~1 070、1 220~1 270、1 580~1 630、1 780~1 830、1 920~1 970、2 120~2 170 檀香紫檀 7 932~982、1 023~1 073、1 221~1 271、1 568~1 618、1 777~1 827、1 921~1 971、2 123~2 173 刺猬紫檀 9 763~813、1 222~1 272、1 308~1 358、1 461~1 511、1 548~1 598、1 760~1 810、1 931~1 981、
2 092~2 142、2 211~2 261巴里黄檀 9 765~815、1 221~1 271、1 307~1 357、1 466~1 516、1 545~1 595、1 769~1 819、1 930~1 980、
2 087~2 137、2 219~2 269红檀香 9 753~803、1 223~1 273、1 309~1 359、1 463~1 513、1 558~1 608、1 771~1 821、1 932~1 982、
2 092~2 142、2 212~2 262破布木 9 763~813、1 222~1 272、1 317~1 367、1 463~1 513、1 551~1 601、1 772~1 822、1 933~1 983、
2097~2147、2214~2264豆瓣香 9 766~816、1230~1280、1317~1367、1468~1518、1554~1604、1775~1825、1940~1990、
2095~2145、2 216~2 266中美洲黄檀 9 753~803、1 218~1 268、1 305~1 355、1 457~1 507、1 544~1 594、1 769~1 819、1 928~1 978、
2 084~2 134、2 209~2 259黑檀 9 881~931、1 218~1 268、1 305~1 355、1 452~1 502、1 557~1 607、1 772~1 822、1 923~1 973、
2 092~2 142、2 218~2 268表 4 不同起始波段的SPA-BP神经网络平均识别率Table 4 Average recognition rate of SPA-BP neural network with different starting bands特征值数/个 起始波段/nm 10种木材提取特征波长分布/nm 平均识别率/% 10 895 364~368、2 141~2 144；402~410；418~426；324、2 135~2 142；375~383；432~440；400~408；476~484；420~428；1 452~1 460 89.7 10 1 445 478~586；410~418；423~431；500~508；405~413；436~444；418~426；693~701；891~899；888~896 90.4 10 1 605 133~135、2 137~2 142；891~899；891~899；2 135~2 142、2 132；419~427；819~827；420~428；446~454；892~990；893~901 90.1 10 15 2133~135、2 137~2 142；2 133~2 135、2 137~2 142；408~416；292、22 135~2 142；375~383；430~438；414~422；461~469；420~428；890~898 88.3 10 795 61~64、2 139~2 143；405~413；420~428；326、2 135~2 142；378~386；527~535；403~411；478~486；420~422、1 453~1 458；1 350~1 358 89.5 10 995 203~209、2 141~2 142；399~407；418~426；349~352、2 138~2 142；3381~389；434~442；421~429；485~493；527~535；1 452、1 454~ 1458、1 461~1 463 89.2 10 1 350 82~90；891~899；434~442；519~527；416~424；886~894；420~428；694~702；891~899；888~896 88.9 10 1 950 13、2 135~2 142；379~387；407~415；281、2 135~2 142；293~301；428~436；
1 058~1 066；450~458；413、1 452~1 459；1 452~1 46088.6 说明：木材依次为红檀、大果紫檀、檀香紫檀、刺猬紫檀、巴里黄檀、红檀香、破布木、豆瓣香、中美洲黄檀、黑檀 2.3.3 最佳特征值个数分析
将起始波段固定为最佳，即Winitial=1 445 nm，探讨Ntot取不同数值时，对BP神经网络识别木材的影响。从图3的光谱图可以看出：红檀、大果紫檀、檀香紫檀3种木材样本的吸收峰有7个，刺猬紫檀、巴里黄檀、红檀香、破布木、豆瓣香、中美洲黄檀和黑檀有9个。考虑吸收峰能更好地反映木材光谱图的特征，Ntot分别取了7和9，同时参考SPA的相关文献[18-21]，且基于BP神经网络输入向量过多也会影响识别精度，又分别取了5、8、10、20、25进行了对比分析。基于以上特征数，分别应用BP神经网络进行木材识别，每个状态仍随机运行20次，获得的结果如表5所示。分析表5可知：整体上，当特征值个数取7和9时正确率偏高，说明特征值个数的取值和吸收峰值有关；当特征值个数取9时识别率最高，达93.2%，说明特征值个数和单个木材的吸收峰无关，应由整体的吸收峰来确定。
表 5 同一起始波段不同特征波段的SPA-BP神经网络平均识别率Table 5 Average recognition rate of SPA-BP neural network with the same starting band and different characteristic bands起始波
段/nm特征值
数/个平均识
别率/%起始波
段/nm特征值
数/个平均识
别率/%1 445 5 92.3 1 445 10 90.6 1 445 7 93.0 1 445 20 92.7 1 445 9 93.2 1 445 25 91.2 1 445 8 91.6 2.3.4 10种木材的最佳识别结果分析
基于最佳预处理方式(移动平均法+SNV)、最佳起始波段(Winitial=1 445 nm)和最佳特征值个数(Ntot=9)，整理出SPA-BP神经网络识别10种木材各自的识别结果(表6)。由表6可以看出：在最佳参数设置下，SPA-BP神经网络的识别率较高，大果紫檀、红檀香、中美洲黄檀和黑檀的平均识别率均为100.0%，其他木材的平均识别率最低达90.7%，最高达95.1%。
表 6 同一预处理方式10种木材的SPA-BP神经网络平均识别率Table 6 Average recognition rate of SPA-BP neural network for 10 species of wood with the same pretreatment method木材种类 平均识
别率/%木材种类 平均识
别率/%木材种类 平均识
别率/%红檀 90.9 巴里黄檀 94.2 中美洲黄檀 100.0 大果紫檀 100.0 红檀香 100.0 黑檀 100.0 檀香紫檀 90.7 破布木 94.6 平均 95.7 刺猬紫檀 95.1 豆瓣香 91.0 说明：预处理方式为移动平均法+SNV，起始波段为1 445 nm, 特征值数为9个 2.4 SPA-GA-BP神经网络识别
针对SPA的最佳预处理方式(移动平均法+SNV)、最佳起始波段(Winitial=1 445 nm)和最佳特征值个数(Ntot=9)，基于SPA-GA的BP神经网络识别方法随机运行20次，采用GA优化前后建模时间明显缩短；大果紫檀、红檀香、中美洲黄檀和黑檀在采用GA优化前后正确识别率均为100.0%，说明这4种木材在采用SPA特征提取时，识别率较高，采用GA优化后对正确识别率影响不大；其他6种木材采用SPA特征提取时均有一定的误判，运用GA优化后识别率有一定的提高。其中破布木的识别率由90.0%提升到了100.0%，巴里黄檀由88.9%提升到了100.0%，刺猬紫檀由90.9%提升到了100.0%。虽然每次仅提升1种木材，但通过多次运行，可达到整体提升的效果。
针对上述20次运行结果，获得10种木材各自的识别结果：大果紫檀、中美洲黄檀、刺猬紫檀、巴里黄檀、红檀香、破布木和黑檀平均识别正确率高达100.0%，其他3种木材的平均识别率最低达91.5%，最高达95.7%，10种木材的平均识别率达98.0%。
已有的木材识别研究的特征提取方法主要集中于主成分分析[22]、导数处理[23]等，主成分分析的平均识别率为70.0%~95.3%，导数处理识别率达98.6%。虽然这些研究识别率较高，但这些研究参与识别的木材种类大多仅为4~5个，对于同时识别10种木材未见尝试。经研究，参与识别的木材种类越多，识别率越难保证。本研究的主成分分析法识别10种木材，平均识别率仅为84.7%。本研究采取SPA-GA联合的特征提取方法，识别对象为10种木材，通过调整吸收峰、特征值等参数，最终7种木材的平均识别率达100.0%，且识别速度提高为原来的2~3倍。为了进一步验证识别率的鲁棒性，本研究还采用多种预处理的方式，使得原始数据表现出良好的稳定性和容错性。最后实验数据均为随机20次运行的结果，说明训练好的模型可以随时间和频次迁移应用，识别性能不会降低。
3. 结论
研究结果表明：①SPA-GA法识别木材时，选择移动平均法+SNV的预处理方式效果最佳。②对于参数的选择，起始波段选取吸收峰比选取非吸收峰识别率更高，特征值个数结合光谱图的峰值个数选取更恰当。本研究分别选取起始波段为1 445 nm，特征值个数为9个。③SPA-GA提取光谱图特征时识别性能最佳。SPA特征值经GA寻优后，特征个数大多减少为原来的一半左右，优化后BP神经网络的平均识别速度显著提升，大果紫檀、中美洲黄檀、刺猬紫檀、巴里黄檀、红檀香、破布木和黑檀等7种木材的平均识别正确率均高达100.0%，总体识别率较SPA显著提高。
本研究仅选择了红檀、刺猬紫檀、巴里黄檀、大果紫檀、红檀香、破布木、豆瓣香、檀香紫檀、中美洲黄檀和黑檀这10种木材样本进行了探讨，对于其他木材的识别有待进一步研究验证。
-
图 1 黄曲霉毒素B1定性定量免疫层析检测法示意图
Figure 1 Schematic diagram of the qualitative and quantitative immunochromatographic assay for the detection of aflatoxin B1
图 3 AFB1完全抗原AFB1-BSA和AFB1-OVA的ELISA鉴定
Figure 3 Absorbance of the AFB1 conjugates by indirect ELISA using their specific monoclonal antibodies
图 4 目测法(A)和透射电镜(B)对金颗粒的鉴定
Figure 4 Colloidal solution of 20 nm and 40 nm diameter gold nanoparticles by visualization by naked eye (A) and images from TEM (B)
图 5 免疫层析法对黄曲霉毒素B1的定性检测限
Figure 5 Detection limits of immunochromatographic assay for aflatoxin B1
图 6 免疫层析法对黄曲霉毒素B1的抑制曲线(A)和定量标准曲线(B)
Figure 6 Tri-parametric curve fitting of log concentration of aflatoxin B1 vs inhibition rate by immunochromatographic assay (A) and the calibration curve for quantification of aflatoxin B1 (B)
图 7 定性定量免疫层析法对其他真菌毒素的交叉反应性
Figure 7 Cross-reactivities of the qualitative and quantitative immunochromatographic assay for different mycotoxins
图 8 免疫层析法对黄曲霉毒素B1加标样本的定性检测
Figure 8 Qualitative detection of aflatoxin B1 spiked samples by immunochromatography
图 9 免疫层析法与LC-MS/MS定量结果相关性分析
Figure 9 Correlation of results obtained by immunochromatography assay and LC-MS/MS for AFB1 detection in natural samples
表 1 免疫层析法对黄曲霉毒素B1加标样本的定量检测
Table 1. Quantitative detection of aflatoxin B1 spiked samples by immunochromatography assay
AFB1加标质量
分数/(μg·kg−1)批内 批间 回收
率/%变异系
数/%回收
率/%变异系
数/%1.0 89.62 ± 5.31 5.93 95.72 ± 8.03 8.39 2.5 96.47 ± 6.35 6.58 103.56 ± 7.54 7.28 5.0 95.16 ± 4.29 4.51 93.25 ± 9.06 9.72 10.0 110.43 ± 6.15 5.57 107.59 ± 8.56 7.96 说明：数据为平均值±标准差，n=3 
下载: 导出CSV
表 2 免疫层析法、商品化试剂盒和LC/MS/MS对天然样本中黄曲霉毒素B1的定量检测结果
Table 2. Quantitative detection of AFB1 in natural samples by the developed immunochromatography assay, commercial ELISA kit and LC-MS/MS
样本编号 AFB1/(μg·kg−1) 样本编号 AFB1/(μg·kg−1) 免疫层析检测法 LC/MS/MS 商品化试剂 免疫层析检测法 LC/MS/MS 商品化试剂 1 5.11 ± 0.32 4.79 ± 0.29 5.65 ± 0.37 8 1.83 ± 0.14 2.15 ± 0.27 2.71 ± 0.19 2 3.17 ± 0.25 2.52 ± 0.16 2.08 ± 0.18 9 2.09 ± 0.17 2.86 ± 0.25 3.57 ± 0.26 3 1.06 ± 0.11 1.34 ± 0.14 2.33 ± 0.32 10 8.65 ± 0.35 7.21 ± 0.62 8.94 ± 0.19 4 6.63 ± 0.47 5.83 ± 0.43 5.36 ± 0.57 11 4.63 ± 0.29 5.93 ± 0.38 4.38 ± 0.23 5 2.69 ± 0.22 3.15 ± 0.29 2.25 ± 0.26 12 5.27 ± 0.41 6.07 ± 0.57 5.66 ± 0.35 6 1.82 ± 0.13 2.57 ± 0.15 3.35 ± 0.18 13 3.28 ± 0.37 2.19 ± 0.18 3.95 ± 0.31 7 7.16 ± 0.51 6.03 ± 0.31 7.82 ± 0.23 说明：数据为平均值±标准差
下载: 导出CSV
-
[1] NIERMANS K, MEYER A M, HOEK-VAN DEN HIL E F, et al. A systematic literature review on the effects of mycotoxin exposure on insects and on mycotoxin accumulation and biotransformation [J]. Mycotoxin Res, 2021, 37(4): 279 − 295. [2] LI Min, FINK-GREMMELS J, LI Dagang, et al. An overview of aflatoxin B1 biotransformation and aflatoxin M1 secretion in lactating dairy cows [J]. Anim Nutr, 2021, 7(1): 42 − 48. [3] UMAYA S R, VIJAYALAKSHMI Y C, SEJIAN V. Exploration of plant products and phytochemicals against aflatoxin toxicity in broiler chicken production: present status [J]. Toxicon, 2021, 200(3): 55 − 68. [4] 张杏, 岳晓凤, 丁小霞, 等. 中国西南花生产区黄曲霉菌分布、产毒力及花生黄曲霉毒素污染[J]. 中国油料作物学报, 2019, 41(5): 773 − 780. ZHANG Xing, YUE Xiaofeng, DING Xiaoxia, et al. Distribution and aflatoxin contamination by Aspergillus flavus in peanut from the southwest China [J]. Chin J Oil Crop Sci, 2019, 41(5): 773 − 780. [5] FAN Tingting, XIE Yanli, MA Weibin. Research progress on the protection and detoxification of phytochemicals against aflatoxin B1-Induced liver toxicity [J]. Toxicon, 2021, 195(suppl 3): 58 − 68. [6] ENGIN A B, ENGIN A. DNA damage checkpoint response to aflatoxin B1 [J]. Environ Toxicol Pharmacol, 2019, 65: 90 − 96. [7] ZHANG Xian, WANG Zuohuan, XIE Hui, et al. Development of a magnetic nanoparticles-based screen-printed electrodes (MNPs-SPEs) biosensor for the quantification of ochratoxin A in cereal and feed samples[J/OL]. Toxins, 2018, 10(8)[2021-11-20]. doi: 10.3390/toxins10080317. [8] CHAUHAN R, SINGH J, SACHDEV T, et al. Recent advances in mycotoxins detection [J]. Biosens Bioelectron, 2016, 81: 532 − 545. [9] WANG Yuankai, YAN Yaxian, LI Shuqing, et al. Simultaneous quantitative determination of multiple mycotoxins in cereal and feedstuff samples by a suspension array immunoassay [J]. J Agric Food Chem, 2013, 61(46): 10948 − 10953. [10] ZHANG Xian, SUN Mengjiao, KANG Yue, et al. Identification of a high-affinity monoclonal antibody against ochratoxin A and its application in enzyme-linked immunosorbent assay [J]. Toxicon, 2015, 106: 89 − 96. [11] WANG Yuankai, YAN Yaxian, JI Wenhui, et al. Rapid simultaneous quantification of zearalenone and fumonisin B1 in corn and wheat by lateral flow dual immunoassay [J]. J Agric Food Chem, 2013, 61(21): 5031 − 5036. [12] 戴煌, 黄周梅, 李占明, 等. 免疫法在食品黄曲霉毒素检测中的应用[J]. 中国食品学报, 2021, 21(10): 287 − 304. DAI Huang, HUANG Zhoumei, LI Zhanming, et al. Application of immunoassays in food aflatoxins detection [J]. J Chin Inst Food Sci Technol, 2021, 21(10): 287 − 304. [13] 王蕾, 张莉蕴, 王玉可, 等. 快速检测技术在食品真菌毒素检测中的研究进展[J]. 食品研究与开发, 2021, 42(4): 187 − 192. WANG Lei, ZHANG Liyun, WANG Yuke, et al. Research progress of rapid detection technology in the detection of mycotoxins in food [J]. Food Res Dev, 2021, 42(4): 187 − 192. [14] ZHOU Jingming, YANG Qingbao, LIANG Chao, et al. Detection of ochratoxin A by quantum dots-based fluorescent immunochromatographic assay [J]. Anal Bioanal Chem, 2021, 413(1): 183 − 192. [15] REN Wenjie, XU Yang, HUANG Zhibing, et al. Single-chain variable fragment antibody-based immunochromatographic strip for rapid detection of fumonisin B1 in maize samples [J/OL]. Food Chem, 2020, 319: 126546[2021-11-20]. doi: 10.1016/j.foodchem.2020.126546. [16] WU Shiwei, YU Yao’an, LIU Binghui, et al. Development of a sensitive enzyme-linked immunosorbent assay and rapid gold nanoparticle immunochromatographic strip for detecting citrinin in monascus fermented food [J/OL]. Toxins, 2018, 10(9)[2021-11-20]. doi: 10.3390/toxins10090354. [17] ZHANG Daohong, LI Peiwu, YANG Yang, et al. A high selective immunochromatographic assay for rapid detection of aflatoxin B1 [J]. Talanta, 2011, 85(1): 736 − 742. [18] 章先, 付子贤, 周一钊, 等. 赭曲霉毒素A和玉米赤霉烯酮-二联胶体金免疫层析试纸条的制备及应用[J]. 微生物学通报, 2019, 46(5): 1235 − 1245. ZHANG Xian, FU Zixian, ZHOU Yizhao, et al. Dual flow immunochromatographic assay for simultaneous determination of ochratoxin A and zearalenone in cereal and feed samples [J]. Microbiol China, 2019, 46(5): 1235 − 1245. [19] WANG Shuo, QUAN Ying, LEE Nanjun, et al. Rapid determination of fumonisin B1 in food samples by enzyme-linked immunosorbent assay and colloidal gold immunoassay [J]. J Agric Food Chem, 2006, 54(7): 2491 − 2495. [20] LATTANZIO V M T, NIVARLET N, LIPPOLIS V, et al. Multiplex dipstick immunoassay for semi-quantitative determination of Fusarium mycotoxins in cereals [J]. Anal Chim Acta, 2012, 718: 99 − 108. [21] WANG Yuankai, SHI Yibo, ZOU Qi, et al. Development of a rapid and simultaneous immunochromatographic assay for the determination of zearalenone and fumonisin B1 in corn, wheat and feedstuff samples [J]. Food Control, 2013, 31(1): 180 − 188. [22] ZHANG Xian, HE Ke, FANG Yun, et al. Dual flow immunochromatographic assay for rapid and simultaneous quantitative detection of ochratoxin A and zearalenone in corn, wheat, and feed samples [J]. J Zhejiang Univ Sci B, 2018, 19(11): 871 − 883. [23] KOLOSOVA A Y, SAEGER S D, SIBANDA L, et al. Development of a colloidal gold-based lateral-flow immunoassay for the rapid simultaneous detection of zearalenone and deoxynivalenol [J]. Anal Bioanal Chem, 2007, 389(7/8): 2103 − 2107. [24] SHIM W B, DZANTIEV B B, EREMIN S A, et al. One-step simultaneous immunochromatographic strip test for multianalysis of ochratoxin a and zearalenone [J]. J Microbiol Biotechnol, 2009, 19(1): 83 − 92. [25] KOLOSOVA A Y, SUBANDA L, DUMOULIN F, et al. Lateral-flow colloidal gold-based immunoassay for the rapid detection of deoxynivalenol with two indicator ranges [J]. Anal Chim Acta, 2008, 616(2): 235 − 244. [26] SHIM W B, KIM K Y, CHUNG D H. Development and validation of a gold nanoparticle immunochromatographic assay (ICG) for the detection of zearalenone [J]. J Agric Food Chem, 2009, 57(10): 4035 − 4041. 期刊类型引用(5)
1. 金航峰，于昌昊，范锴萍，吴健清，颜菲菲，汪涵. 基于近红外高光谱成像技术的地方鸡品种鉴别. 现代食品科技. 2024(05): 247-254 . 
百度学术2. 岳蓉，尹本酥，李振发，李粉玲. 基于无人机RGB影像的染条锈冬小麦花青素含量监测. 麦类作物学报. 2024(07): 936-946 . 百度学术3. 王延年，李鹏程，廉继红，范昊，王炳炎. 纱线卷绕系统恒张力先进控制策略. 纺织高校基础科学学报. 2023(01): 49-56 . 百度学术4. 孙晓荣，田密，刘翠玲，吴静珠，郑冬钰，靳佳蕊. 基于太赫兹成像技术的发芽葵花籽无损检测研究. 食品科技. 2023(02): 296-302 . 百度学术5. 付立岩，冯国红，刘旭铭. 基于多元经验模态分解的可见/近红外光谱识别木材研究. 森林工程. 2023(04): 101-109 . 百度学术其他类型引用(9)
-
-
链接本文:
https://zlxb.zafu.edu.cn/article/doi/10.11833/j.issn.2095-0756.20210772
点击查看大图
计量
- 文章访问数: 1088
- HTML全文浏览量: 217
- PDF下载量: 100
- 被引次数: 14
