拉曼光谱 + AI 实现食品腐败早预警！SkiNET‑FoodSpec 平台开启无损快检新时代

研究背景

全球每年超 1/3 粮食因腐败浪费，经济损失超万亿美元，乳制品、肉类、即食沙拉等高易腐食品更是浪费重灾区，同时微生物污染引发的食源性疾病频发，严重威胁公共健康。传统腐败检测依赖生物胺监测、微生物培养、基因组分析等手段，存在破坏性强、耗时久、前处理繁琐、早期预警能力弱等缺陷，且无法区分乳酸 D/L 对映体等关键标志物，难以满足现代食品工业实时、无损、高通量质控需求。

拉曼光谱凭借无创、样品制备简单、分子级检测优势，成为食品检测潜力技术，但缺乏标准化、可跨基质通用的分析框架，限制实际落地。在此背景下，研发集成 AI 的快速无损检测平台，实现腐败早期精准识别，成为保障食品安全、减少浪费的关键突破口。

研究内容

研究团队构建SkiNET‑FoodSpec一体化平台，以 785nm 激光共聚焦拉曼显微镜为检测核心，结合自主研发的自组织映射神经网络（SkiNET）与自组织映射判别指数（SOMDI），实现光谱数据智能分类。

实验选取猪肉、半脱脂牛奶、芝麻菜为代表性样品，分别接种大肠杆菌、添加不同浓度 D/L‑乳酸模拟腐败，在 4℃冷藏与 25℃室温条件下，于 24‑120h 多时间点采样检测。通过拉曼光谱采集蛋白质降解、脂质氧化、生物标志物变化信号，经样条插值、基线校正、归一化预处理后，输入 SkiNET 模型训练优化，最终生成专属基质光谱条形码，实现新鲜 / 腐败样本精准区分。

同时研究通过 BCA 蛋白定量、TBARS 脂质氧化检测、16S rRNA 菌群测序等手段，验证光谱信号与生化指标、微生物群落的关联性，确定关键腐败标志物及检测限。

图1. (A). 猪肉在第1天至第7天期间的堆叠拉曼光谱，分别为 i) 对照样品和 ii) 加标样品。关键峰值用垂直的彩色阴影带突出显示，示例每个样品的特征振动模式。右侧面板显示相应的热图，其中拉曼位移对归一化强度进行绘制。颜色条表示强度刻度，从低（蓝色）到高（红色）。(B). 前三天对照（绿色）和感染（红色）样品的拉曼强度。每个柱状图表示平均强度，并叠加单个数据点，包括：i) 1002 cm⁻¹的苯丙氨酸峰，ii) 1665 cm⁻¹的酰胺I峰，iii) 2895 cm⁻¹峰，iv) 957 cm⁻¹峰，v) 酪氨酸投影，vi) 甘氨酸投影。(C). 大肠杆菌检测限：i) 铝基底，ii) 猪肉，iii) 拉曼峰1001 cm⁻¹的AUC与OD 600的斯皮尔曼相关（R²=0.9623），iv) 猪肉微生物负载的ROC曲线。(D). 大肠杆菌的拉曼指纹。

图 2. (A). i-v) 猪肉中大肠杆菌的共聚焦显微镜图像。 (B). i-v) 不同浓度下铝基底上大肠杆菌的共聚焦显微镜图像。 (C). OD ◦ 600（冷藏）与 ii) 25 ◦ 对菌落形成单位（CFU）的斯皮尔曼相关性。 (D). 储存在 i) 4 °C（室温）下的肉样的可见腐败进程。储存在室温下的样品在第 2 天就出现快速变色、表面粘液形成和微生物生长。相比之下，冷藏条件延缓了可见腐败，控制样品在第 3 天才出现颜色变化，而大肠杆菌感染样品在第 2 天出现。

图3. (A). 生物组织的深度分辨拉曼光谱。在不同深度采集的拉曼光谱（400-1300强度以及指纹区（750-1750 cm⁻¹ μm）特征）显示了光谱随深度演变的情况。信号强度和基线的逐步变化反映了分子组成和散射效率随深度的变化，突显了深度分析在探测表层下生化特征中的实用性。(B). i) 在对照和感染条件下，使用BCA法对肉类样品进行蛋白质定量测定。在4°C下测量第1至第3天的蛋白质浓度（mg/g），并在25°C下测量第1天。对照样品在冷藏储存期间蛋白质含量相对稳定，而感染样品在第3天显示出逐渐下降（p < 0.05）。在25°C下，感染样品的蛋白水平相比对照显著降低（p < 0.01），反映了室温下微生物蛋白水解的加速。(C). 利用硫代巴比妥酸反应物（TBARS）法分析脂质氧化。i) 使用丙二醛（MDA）当量生成的标准曲线显示，吸光度随浓度增加呈明显线性相关（R² > 0.98）。ii) 肉类样品 iii) 沙拉叶在对照和感染条件下，在4°C和25°C储存三天的TBARS测量，显示感染样品的脂质过氧化比对照样品更高。

研究结果

SkiNET‑FoodSpec 在三类食品基质中均实现超早期腐败识别，性能表现优异：

1.猪肉：精准检测尸胺等腐败标志物，检测限低至0.06875 mg/kg，识别蛋白质氧化、S‑S 键振动变化，分类准确率93.2±1.90%，可在肉眼变质前 3 天预警；

2.牛奶：首次实现食品体系中D‑/L‑乳酸对映体快速区分，乳酸检测限 3 mmol/mL，准确率93.0±1.5%，通过蛋白质二级结构变化判断发酵异常与污染；

3.叶菜：检测类胡萝卜素、纤维素降解信号，氨基酸检测限 0.071 mg/kg，准确率92.7±1.69%，24 小时内识别大肠杆菌侵染导致的组织破坏。

模型经 10 折交叉验证优化，采用 5×5 神经元网格、0.2 初始学习率、5 轮训练，光谱条形码可稳定表征腐败生化特征，ROC 曲线 AUC 值超 0.91，判别可靠性极高。16S 测序证实，平台检测信号与冷藏 / 室温下腐败微生物群落演替高度匹配，可同步反映微生物丰度与代谢变化。

图4. (A). 肉类微生物污染过程，重点说明腐败细菌在L-精氨酸分解中所起的作用，导致产生多种多胺，如腐胺、精胺和精子胺，这些物质与腐败相关。(B). 在对照组和大肠杆菌感染肉样中检测到的光谱位移，分别为1665 cm⁻¹（酰胺）、2850 cm⁻¹（脂质）。最高强度以1（黄色）表示，最低强度以0（黑色）表示。

图5. SkiNET对72小时内对照组与感染猪肉数据集的光谱模式评估，分类准确率为93.2 ± 1.90%。i) 拉曼光谱的SOM聚类及其对应的iii) 从SOM提取的SOMDI特征，用于(Ai, Bi, Ci) 第1天对照组和第1天处理组、第2天对照组和第2天处理组、第3天对照组和第3天处理组，(Di) 第1、2、3天的感染数据集，(Aii, Bii, Cii, Dii) 对应数据的均值和标准差，(Aiii, Biii, Ciii, Diii) 对应数据的SOMDI得分。条形码中的特征波段被识别为强SOMDI权重，由SKiNET分析提供的结果得出，能够紧密反映峰值在853、939、957、1002、1080、1126、1243和2895 cm⁻¹的变化。

图 6. (A). i) 不同 D-LA 和 L-LA 浓度下的拉曼光谱，其中 Amide I 和 Amide III 区域显示二级结构的变化。ii) 光谱强度与波数的热图表示。(B). 二级结构定量：(i) 聚集的 β-折叠，(ii) β-折叠，(iii) α-螺旋和 (iv) 随机线圈随浓度的变化。(C). i) 选定波数区域的导数光谱，并叠加关键位移，同时进行 (i-vi) 样品间的比较分析。(D). 新鲜牛奶与变质牛奶的拉曼光谱，突出显示指示变质的关键区域光谱差异。(E). Amide I 区域二阶导数光谱，并叠加不同乳酸浓度的光谱，展示主要的结构变化。

图7.(A) 大肠杆菌在沙拉叶片中的感染示意图，显示细菌通过气孔定殖、附着于表皮并渗入叶肉和维管组织，说明病原体在受污染农产品中的传播。(B) 芝麻菜叶片的拉曼指纹图谱。(C) 芝麻菜在4℃下从第1天到第3天的堆叠拉曼光谱，分别为 i) 对照组和 ii) 加标样品。关键峰值用垂直彩色阴影带标出，展示每个样品的特征振动模式。(D) 芝麻菜在25℃下从第1天到第3天的堆叠拉曼光谱，分别为 i) 对照组和 ii) 加标样品。关键峰值用垂直彩色阴影带标出，展示每个样品的特征振动模式。右侧图呈现对应的热图，其中拉曼位移与归一化强度绘制在坐标中。颜色条表示强度范围，从低（蓝色）到高（红色）。

图 8. (A). 对照组（绿色）和感染组（红色）样品在前三天的拉曼强度。每个柱状图表示平均强度，并叠加了个体数据点，i) 1067 cm⁻¹ 的苯丙氨酸峰 ii) 1158 cm⁻¹ 的酰胺 I 峰 iii) 1520 cm⁻¹ 峰 iv) 1609 cm⁻¹ 峰。 (B). 拉曼光谱显示感染的火箭叶（洋红色）和大肠杆菌（棕色）的平均值及标准差（阴影区域）。突出显示的峰代表分子振动和在大肠杆菌感染的沙拉样品中观察到的独特生化标志。 (C). 火箭叶中大肠杆菌感染的进展，显示形态变化 i) 4 ◦C ii) 25 ◦C，从健康叶（左）到严重感染和退化的叶（右），突出显示与细菌污染相关的膨压逐渐丧失、变色和组织破坏。 (D). 火箭叶光学显微镜图像 i) 4 摄氏度 ii) 25 摄氏度，显示大肠杆菌感染前（上排-对照）和感染后（下排-感染）的结构差异。感染的叶片与未感染样品光滑完整的结构相比，表现出表皮图案破坏、粗糙度增加和表面形态改变。

图 9. (A-C) SkiNET-FoodSpec 对对照组（绿色）与受感染组（紫色）火箭菜样品在 72 小时内的快速且准确区分，分类准确率为 92.7 ± 1.69%，(Ai-Ci) 分别为对照组与受感染火箭菜叶在第 1、2 和 3 天的情况。(Aii-Cii) 对应数据的均值和标准差，以及 (Aiii-Ciii) 通过自组织映射 (SOMs) 分类的最主要拉曼峰的 SOMDI，这些峰对 (Ai-Ci) 中的聚类负责，共同展示了大肠杆菌污染的时间动态及其对沙拉叶组织组成的影响。

技术优势

与 qPCR、ATP 生物发光法等主流技术相比，SkiNET‑FoodSpec 具备全方位领先性：

1.极速检测：单样本检测＜2 分钟，无需培养扩增，远快于 qPCR 的 90‑120 分钟；

2.全程无损：无样品前处理、无试剂消耗，保留食品完整性，单样本成本＜0.1 英镑；

3.早期预警：捕捉微生物代谢初期生化变化，早于感官与传统培养法检出；

4.精准特异：区分对映体、多标志物同步检测，避免假阴性 / 假阳性；

5.高通用性：适配肉类、乳品、果蔬等多基质，支持供应链现场快速检测。

结论与展望

本研究成功突破食品腐败早期无损检测瓶颈，SkiNET‑FoodSpec 以拉曼光谱 + AI融合模式，建立标准化光谱条形码体系，实现多品类食品腐败实时、精准、无创预警，既解决传统检测痛点，又契合联合国可持续发展目标，助力减少粮食浪费、保障食品安全、构建韧性食品系统。

未来团队将推进便携式 SkiNET‑FoodSpec 设备研发，实现农场到餐桌全流程现场检测；持续扩充光谱数据库，适配更多食品品类；深化模型轻量化优化，适配工业产线高通量筛查，推动技术在食品加工、冷链物流、商超质控等场景规模化应用，以智能检测技术赋能食品工业 5.0 升级，为全球食品安全提供全新技术支撑。

原文链接：https://doi.org/10.1016/j.foodres.2026.118745