食品農(nóng)藥殘留檢測(cè)中的化學(xué)計(jì)量學(xué)研究進(jìn)展

陳晟，羅佳瑤，蔣立文，2，李跑，2，*

（1.湖南農(nóng)業(yè)大學(xué)食品科技學(xué)院，湖南長(zhǎng)沙410128；2.食品科學(xué)與生物技術(shù)湖南省重點(diǎn)實(shí)驗(yàn)室，湖南長(zhǎng)沙410128）

食品安全中的農(nóng)藥殘留問(wèn)題始終是食品分析領(lǐng)域的熱點(diǎn)課題，但現(xiàn)階段仍較難實(shí)現(xiàn)準(zhǔn)確的定性定量分析。究其原因，首先是因?yàn)槭称贩N類(lèi)繁多且大多成分復(fù)雜，在檢測(cè)中易產(chǎn)生基質(zhì)效應(yīng)從而干擾實(shí)驗(yàn)結(jié)果[1-2]；其次農(nóng)藥的品種眾多且常被混合施用，同時(shí)殘留在食品中的農(nóng)藥含量?jī)H為痕量水平甚至更低，導(dǎo)致檢測(cè)儀器的選擇受限[3-5]；另外，食品若經(jīng)過(guò)不同的加工處理，其中殘留農(nóng)藥的成分及濃度也會(huì)隨之發(fā)生不同程度的變化[6]。以上影響因素的存在均給實(shí)際食品農(nóng)藥殘留的測(cè)定帶來(lái)了困擾。

由于食品中農(nóng)藥殘留的檢測(cè)十分棘手，改進(jìn)和發(fā)展新型分析方法顯得尤為關(guān)鍵。目前光譜法、色譜法和快速檢測(cè)法在食品農(nóng)藥殘留的檢測(cè)中已被廣泛應(yīng)用。其中快速檢測(cè)法如酶抑制法、免疫分析法等，雖然安全經(jīng)濟(jì)、不受環(huán)境的限制，但是其檢測(cè)專(zhuān)一且回收率與重復(fù)性不高，不適于復(fù)雜食品樣品農(nóng)藥殘留的檢測(cè)分析。色譜法作為大多數(shù)食品農(nóng)藥殘留檢測(cè)的國(guó)標(biāo)法，現(xiàn)已發(fā)展得十分成熟，但也存在操作費(fèi)時(shí)與前處理繁瑣等缺陷，而光譜法以快速無(wú)損的優(yōu)勢(shì)成為了食品農(nóng)藥殘留檢測(cè)的新方向[7]。常用于農(nóng)藥殘留檢測(cè)的光譜法有拉曼光譜法、近紅外光譜法（near infrared spectroscopy，NIRS）以及熒光光譜法。傳統(tǒng)的光譜法由于檢測(cè)限的問(wèn)題無(wú)法直接用于農(nóng)藥殘留的測(cè)定，近年來(lái)科學(xué)家對(duì)此做出了大量改進(jìn)研究。普通拉曼光譜法不能達(dá)到痕量檢測(cè)水平，但新型拉曼光譜法如表面增強(qiáng)拉曼光譜法（surface-enhanced raman spectroscopy，SERS）有力地克服了該缺點(diǎn)[8]；近紅外光譜法雖然有著吸收強(qiáng)度弱、檢測(cè)限高等劣勢(shì)，但是其配合富集技術(shù)便可以實(shí)現(xiàn)低含量農(nóng)藥殘留的檢測(cè)[9]；三維熒光光譜法在熒光光譜法的基礎(chǔ)上進(jìn)一步提高了靈敏度，能為食品農(nóng)藥殘留的檢測(cè)提供新手段[10]。這些技術(shù)的發(fā)展極大地提高了光譜的檢測(cè)靈敏度，使得光譜法可以實(shí)現(xiàn)對(duì)果蔬和糧食中殘留農(nóng)藥的快速可靠分析[11-13]。

然而對(duì)于復(fù)雜食品樣品中農(nóng)藥殘留的光譜分析，除了食品基質(zhì)成分會(huì)對(duì)測(cè)定造成干擾外，實(shí)測(cè)的拉曼和近紅外信號(hào)還常伴有高頻噪聲和連續(xù)緩慢的背景干擾；并且檢測(cè)信號(hào)容易重疊，因此大多需要構(gòu)建多元校正模型才能實(shí)現(xiàn)對(duì)光譜數(shù)據(jù)的分析[14-15]。熒光光譜法雖然可以直接分析光譜數(shù)據(jù)，但針對(duì)多組分重疊嚴(yán)重的熒光信號(hào)，仍無(wú)法實(shí)現(xiàn)農(nóng)藥殘留組分的準(zhǔn)確定量分析[16]。除光譜法之外，色譜法如氣相色譜法（gas chromatography，GC）以及氣相色譜-質(zhì)譜（gas chromatography-mass spectrometry，GC-MS）、高效液相色譜-質(zhì)譜（high performance liquid chromatography-mass spectrometry，HPLC-MS）和高效液相色譜-二極管陣列檢測(cè)器（high performance liquid chromatographydiode array detector，HPLC-DAD）等聯(lián)用技術(shù)，適用于大部分食品中農(nóng)藥殘留的測(cè)定[17-19]。可是對(duì)于日趨復(fù)雜的食品農(nóng)藥殘留分析，目標(biāo)組分的測(cè)定不僅會(huì)受到基質(zhì)成分的嚴(yán)重干擾，色譜檢測(cè)信號(hào)中也不可避免地出現(xiàn)背景干擾和譜峰重疊等現(xiàn)象，給復(fù)雜信號(hào)中農(nóng)藥殘留組分信息的提取造成了極大的阻礙。無(wú)論采用何種檢測(cè)技術(shù)，所獲取的都是殘留在食品樣品中有關(guān)農(nóng)藥成分的各種類(lèi)型的信息數(shù)據(jù)，但這些信息數(shù)據(jù)又難以用常規(guī)方法取得滿(mǎn)意分析結(jié)果，而化學(xué)計(jì)量學(xué)方法擁有“數(shù)學(xué)分離”的思想，能最大限度的處理和分析檢測(cè)所得的信號(hào)。因此，針對(duì)以上存在的問(wèn)題，化學(xué)計(jì)量學(xué)方法可以被借助用于信號(hào)中噪聲的濾除、背景基線的校正、多元校正模型的建立以及重疊信號(hào)的解析。文章概述了近十年相關(guān)化學(xué)計(jì)量學(xué)方法在食品農(nóng)藥殘留分析中的應(yīng)用研究，并對(duì)其在食品分析中的應(yīng)用現(xiàn)狀進(jìn)行了思考與展望。

1 噪聲的濾除

食品中的農(nóng)藥殘留分析，除了容易受到復(fù)雜基質(zhì)成分的測(cè)定干擾外，還存在噪聲和背景等外界干擾。采用拉曼光譜法和近紅外光譜法分析果蔬中農(nóng)藥殘留含量時(shí)，光譜儀器本身以及外界溫度等環(huán)境因素的變化容易導(dǎo)致光譜信號(hào)中存在較大的噪聲。劉民法等[20]利用近紅外高光譜技術(shù)分析了長(zhǎng)棗表面的農(nóng)藥殘留種類(lèi)。在該研究中，利用應(yīng)用最廣泛的卷積平滑（savitzky-golay，S-G）方法對(duì)900 nm～1 700 nm的光譜進(jìn)行了預(yù)處理，有效地減小了高頻噪聲的影響從而改善了后續(xù)分析的結(jié)果。劉翠玲等[21-22]采用表面增強(qiáng)拉曼光譜法對(duì)菠菜表面和蘋(píng)果汁中的農(nóng)藥殘留進(jìn)行了有效測(cè)定。為了實(shí)現(xiàn)SERS信號(hào)的平滑處理，該課題組利用S-G平滑法有效地降低了噪聲對(duì)信號(hào)的干擾。然而S-G平滑法在數(shù)據(jù)信號(hào)平滑性增強(qiáng)的同時(shí)，容易導(dǎo)致信號(hào)失真。為此，王曉彬等[23]利用小波變換（wavelet transform，WT）多尺度分析的特點(diǎn)，在多菌靈農(nóng)藥樣品的分析中采用硬閾值法得到了60.927的信噪比，而經(jīng)典平滑方法僅為57.976，表明該法能更好地濾除拉曼信號(hào)中的高頻噪聲。同樣為了消除儀器帶來(lái)的系統(tǒng)噪聲，李永玉等[24]利用小波閾值去噪法對(duì)拉曼信號(hào)進(jìn)行了可靠地平滑處理，從而實(shí)現(xiàn)了對(duì)蘋(píng)果表面敵百蟲(chóng)農(nóng)藥的準(zhǔn)確定量分析。此外，陳蕊等[25]在野外蔬菜表面農(nóng)藥殘留種類(lèi)的研究中，利用WT的獨(dú)特優(yōu)勢(shì)對(duì)可見(jiàn)-近紅外光譜（visible and near-infrared spectroscopy，Vis-NIRS）進(jìn)行去噪、壓縮及特征提取，并將預(yù)處理后的光譜數(shù)據(jù)進(jìn)行主成分分析（principal component analysis，PCA）進(jìn)而建立農(nóng)藥殘留神經(jīng)網(wǎng)絡(luò)感知器，表明該方法能被用于鑒別分類(lèi)野外蔬菜表面所含的農(nóng)藥殘留種類(lèi)。綜上所述，基于WT的去噪方法有望在食品農(nóng)藥殘留的分析中推廣應(yīng)用。

2 背景基線的校正

受分析儀器本身的狀態(tài)、實(shí)驗(yàn)操作環(huán)境以及樣品等因素的影響，檢測(cè)信號(hào)中常常存在不定的背景干擾、基線漂移等問(wèn)題，給農(nóng)藥殘留特征峰的峰位、峰寬和峰強(qiáng)度的確定帶來(lái)困難。針對(duì)光譜信號(hào)中存在的背景基線干擾，導(dǎo)數(shù)校正是常用的光譜預(yù)處理方法。翟晨等[26]建立了SERS無(wú)損測(cè)定蘋(píng)果中毒死蜱殘留的方法，其中就采用了二階導(dǎo)數(shù)和極小極大值自適應(yīng)縮放法有效扣除了SERS信號(hào)中的熒光背景。為了檢測(cè)橄欖中的敵草隆殘留，Salguero-Chaparro等[27]利用NIRS開(kāi)展了農(nóng)藥殘留分析；作者利用二階導(dǎo)數(shù)和多元散射校正消除了信號(hào)背景及散射的影響，并建立了偏最小二乘-判別模型可以對(duì)85.9%的樣本進(jìn)行正確分類(lèi)，實(shí)現(xiàn)了對(duì)完整橄欖表面敵草隆殘留含量的監(jiān)測(cè)。但是，導(dǎo)數(shù)校正法處理光譜信號(hào)時(shí)可能會(huì)導(dǎo)致信噪比降低，多項(xiàng)式擬合是另外一種基線校準(zhǔn)的經(jīng)典方法。徐田鋒等[28]和翟晨等[29]利用拉曼光譜法測(cè)定了菠菜和蘋(píng)果中農(nóng)藥殘留的種類(lèi)及濃度；該課題組對(duì)比分析了多種不同方法校正基線的效果，結(jié)果顯示多項(xiàng)式擬合預(yù)處理信號(hào)的效果最為顯著。多項(xiàng)式擬合雖能消除信號(hào)中的基線干擾，但其擬合階次通常難以把握，在實(shí)際分析中靈活性較差。此外，WT通過(guò)對(duì)原信號(hào)進(jìn)行高低頻分解，可有效扣除低頻背景信號(hào)進(jìn)而校正基線。Liu等[30]在傳統(tǒng)WT的基礎(chǔ)上建立了一種高效去除信號(hào)背景的自適應(yīng)小波變換方法。該方法利用提升方案和最小均方（least mean square，LMS）的優(yōu)勢(shì)，在快速識(shí)別并扣除其中低頻背景信號(hào)的同時(shí)還避免了信號(hào)被“過(guò)扣除”；采用拉曼光譜法和氣相色譜法分析農(nóng)藥混合物時(shí)，依據(jù)所建立的方法成功扣除了分析信號(hào)中的背景。隨著背景校正算法被研究者不斷地改進(jìn)與完善，基于自適應(yīng)迭代懲罰最小二乘（adaptive iteratively reweighted penalized least squares，airPLS） 的方法繼而出現(xiàn)[31-32]。梅禎等[33]采用GC-MS對(duì)多種農(nóng)藥混合物展開(kāi)了分析，其中airPLS被成功用于色譜信號(hào)背景的自動(dòng)化校正。由此可見(jiàn)，基于airPLS的背景校正法能更好地處理復(fù)雜光譜或色譜信號(hào)中的背景基線漂移問(wèn)題，為農(nóng)藥殘留分析中信號(hào)的預(yù)處理提供新思路。

3 多元校正模型的建立

拉曼光譜法和近紅外光譜法大多需要建立分析模型才能實(shí)現(xiàn)定性定量分析，因此屬于間接分析技術(shù)。在分析復(fù)雜樣品時(shí)，譜帶產(chǎn)生的重疊現(xiàn)象嚴(yán)重致使信號(hào)難以分辨，時(shí)常需要輔以化學(xué)計(jì)量學(xué)方法建立校正模型才能實(shí)現(xiàn)光譜數(shù)據(jù)的準(zhǔn)確定量分析。Huang等[13]首先通過(guò)多元散射校正、標(biāo)準(zhǔn)正態(tài)變量變換和數(shù)據(jù)標(biāo)準(zhǔn)化來(lái)預(yù)處理SERS信號(hào)，然后通過(guò)偏最小二乘（partial least square，PLS）算法建立水稻中毒死蜱殘留的檢測(cè)模型；該模型對(duì)未知樣品的預(yù)測(cè)回收率為96.59%～104.69%，依據(jù)所建立的方法可以對(duì)目標(biāo)農(nóng)藥殘留進(jìn)行快速準(zhǔn)確的測(cè)定。為了實(shí)現(xiàn)龍眼表面農(nóng)藥殘留的無(wú)損測(cè)定，代芬等[34]先利用PCA壓縮處理NIRS數(shù)據(jù)，并對(duì)其中的農(nóng)藥殘留種類(lèi)進(jìn)行了聚類(lèi)分析，最后BP人工神經(jīng)網(wǎng)絡(luò)（back propagation artificial neural network，BP-ANN）算法被用于建立農(nóng)藥殘留檢測(cè)模型，其對(duì)敵百蟲(chóng)和敵敵畏殘留的檢測(cè)準(zhǔn)確率分別為93%和80%。但是常用的單模型建模方法通常穩(wěn)健性不高。為了提高模型的預(yù)測(cè)精度，嚴(yán)寒等[35]利用NIRS結(jié)合膜富集技術(shù)建立了大米中微量毒死蜱殘留測(cè)定的新方法。該方法首先利用聯(lián)合區(qū)間偏小二乘法（synergy interval PLS，siPLS）初步選取特征波長(zhǎng)區(qū)間；隨后通過(guò)遺傳算法（genetic algorithm，GA）對(duì)特征變量進(jìn)行第二步優(yōu)選進(jìn)而建立PLS預(yù)測(cè)模型；結(jié)果表明采用siPLS-GA的新型建模方法較之傳統(tǒng)方法能給出更好的精確度和穩(wěn)定性，與實(shí)際檢測(cè)值的偏差絕對(duì)值控制在0.796%～7.448%。此外，Xue等[36]針對(duì)冗雜的光譜信號(hào)，先通過(guò)引入粒子群算法（particle swarm optimization，PSO）對(duì)特征變量進(jìn)行可靠選取，再與PLS相結(jié)合提出了PSO-PLS的建模方法；所提出的方法成功用于臍橙表面敵敵畏殘留的Vis-NIRS分析。然而，在更復(fù)雜的光譜信號(hào)分析中，訓(xùn)練集樣本數(shù)過(guò)少或奇異樣本的存在都會(huì)顯著影響傳統(tǒng)建模方法的精確性。針對(duì)這一問(wèn)題，又發(fā)展了新型建模策略，如基于核函數(shù)的非線性校正方法[37]、集成的建模策略[38]等。其中在農(nóng)藥殘留分析中應(yīng)用最多的是Boosting-PLS算法[39]。為了測(cè)定番茄表面的微量硫丹殘留，袁文博等[40]采用Boosting-PLS算法，在訓(xùn)練集樣本不多且預(yù)測(cè)集濃度較低的情況下依然建立了穩(wěn)健精確的近紅外預(yù)測(cè)模型。因此，以集成建模策略為代表的多模型建模方法，有助于實(shí)現(xiàn)食品農(nóng)藥殘留檢測(cè)中復(fù)雜光譜信號(hào)的精確定量分析。

4 重疊信號(hào)的解析

色譜及其聯(lián)用技術(shù)雖然以分析的精確性見(jiàn)長(zhǎng)，但利用GC-MS、HPLC-DAD等分析日益復(fù)雜的食品樣品時(shí)，除了存在基質(zhì)成分和噪聲背景的干擾，檢測(cè)信號(hào)還常常呈現(xiàn)譜峰重疊現(xiàn)象，給有用信息的提取帶來(lái)極大挑戰(zhàn)。為此，研究者提出了一系列解析算法。

試驗(yàn)中采用GC-MS分析有機(jī)磷農(nóng)藥混合物時(shí)，多組分色譜峰重疊難以分辨，為此梅禎等[41]通過(guò)研究對(duì)現(xiàn)有的免疫算法（immune algorithm，IA）進(jìn)行了改進(jìn)。其中快速升溫程序被用于快速洗脫農(nóng)藥混合物，并結(jié)合IA算法解析混合組分從而獲得了較好的分析結(jié)果。Wu等[42]采用GC-MS，利用快速升溫程序結(jié)合IA算法在背景干擾存在的情況下依然對(duì)重疊信號(hào)進(jìn)行了解析，實(shí)現(xiàn)了韭蔥樣品中撲草凈殘留的快速分析。但針對(duì)經(jīng)典的IA算法不適于解析未知組分的局限性，Miao等[43]將目標(biāo)因子分析（target factor analysis，TFA）與非負(fù)免疫算法（non-negative immune algorithm，NNIA）相結(jié)合建立了TFA-NNIA的方法。該方法被用于解析復(fù)雜重疊的GC-MS信號(hào)，在避免提供標(biāo)樣信息的同時(shí)還能實(shí)現(xiàn)蔬菜農(nóng)藥殘留分析中目標(biāo)組分的準(zhǔn)確提取。然而，該法仍存在不適于解析較多共存組分的缺點(diǎn)。因此，Wu等[44]建立了一種重疊GC-MS信號(hào)分析的新方法。所建立的方法先利用獨(dú)立成分分析（independent component analysis，ICA）和迭代目標(biāo)轉(zhuǎn)換因子分析（iterative target transformation factor analysis，ITTFA）的特點(diǎn)對(duì)重疊GC-MS數(shù)據(jù)進(jìn)行多重篩查，在此基礎(chǔ)上采用NNIA算法解析色譜信號(hào)，即能對(duì)48種農(nóng)藥混合物的色譜信息實(shí)現(xiàn)自動(dòng)化地提取。此外，本課題組[45]為實(shí)現(xiàn)重疊信號(hào)的高通量分析，以17種和42種復(fù)雜農(nóng)藥混合物作為檢測(cè)對(duì)象，提出了移動(dòng)窗口目標(biāo)轉(zhuǎn)換因子分析（moving window target transformation factor analysis，MWTTFA）結(jié)合NNIA的方法來(lái)解析復(fù)雜重疊的色譜信號(hào)；結(jié)果表明該方法可準(zhǔn)確判斷感興趣組分是否存在進(jìn)而在10 min時(shí)間內(nèi)提取GC-MS數(shù)據(jù)。多元曲線分辨-交替最小二乘（multivariate curve resolution-alternating least squares，MCRALS）是常被用于復(fù)雜食品樣品分析的另外一種方法，其通過(guò)解析重疊信號(hào)可以直接從中提取目標(biāo)組分的信息。由于測(cè)定果汁等基質(zhì)中的混合農(nóng)藥殘留十分困難，Boeris等[46]利用HPLC-DAD對(duì)此展開(kāi)了研究。除了色譜峰的重疊變形之外，信號(hào)還存在食品基質(zhì)組分和未知的背景干擾，盡管如此，作者利用MCR-ALS直接對(duì)重疊組分進(jìn)行解析，準(zhǔn)確得到了果汁和果蔬中5種農(nóng)殘的含量；其中殘殺威、多菌靈、噻苯唑、麥穗寧以及西維因的檢測(cè)限分別為 12.00、2.30、0.90、0.46、0.32 μg/L。Sousa等[47]采用HPLC-DAD分析了蔬菜樣品中多菌靈等7種農(nóng)藥殘留物的含量；由于色譜峰重疊變形嚴(yán)重，作者利用MCR-ALS解析信號(hào)，在降低分析物損失的同時(shí)實(shí)現(xiàn)了農(nóng)藥殘留含量的可靠分析。此外，Albuquerque等[48]將MCR-ALS和多元曲線分辨-加權(quán)交替最小二乘（multivariate curve resolution-weighted alternating least squares，MCR-WALS）以及非負(fù)矩陣因式分解（non-negative matrix factorization，NMF）相結(jié)合，用于重疊SERS信號(hào)的處理，成功恢復(fù)了光譜數(shù)據(jù)進(jìn)而實(shí)現(xiàn)了對(duì)番茄和李子果皮中馬拉硫磷殘留的有效測(cè)定。

以上的解析算法雖然得到了成熟應(yīng)用，但仍無(wú)法滿(mǎn)足日漸復(fù)雜的數(shù)據(jù)處理要求；同時(shí)伴隨著高階分析儀器的出現(xiàn)，如全二維液相色譜-質(zhì)譜聯(lián)用儀等，這些儀器產(chǎn)生的高維數(shù)據(jù)中含有豐富的化學(xué)信息，而常規(guī)方法又難以處理這些數(shù)據(jù)。因此，基于二階校正的平行因子分析（parallel factor analysis，PARAFAC）應(yīng)運(yùn)而生。這類(lèi)方法能在未知干擾存在的情況下對(duì)復(fù)雜的農(nóng)藥殘留信號(hào)進(jìn)行可靠解析，具有著名的“二階優(yōu)勢(shì)”[49-50]。Herrero等[51]采用GC-MS耦合程序升溫汽化器對(duì)橘子中的三嗪類(lèi)殘留進(jìn)行了測(cè)定；為解決色譜洗脫時(shí)間變化及背景干擾等問(wèn)題，作者采用PARAFAC來(lái)解析重疊色譜信號(hào)，實(shí)現(xiàn)了商業(yè)橘子中三嗪類(lèi)殘留的準(zhǔn)確定量分析。此外，Montemurro等[52-53]將PARAFAC和展開(kāi)偏最小二乘/殘差三線性化（unfolded partial least-squares combined with residual trilinearization，U-PLS/RTL）方法引入HPLC以及三維熒光構(gòu)造的四維數(shù)據(jù)分析中，利用這些算法特殊的“高階優(yōu)勢(shì)”處理復(fù)雜數(shù)據(jù)，成功實(shí)現(xiàn)果汁中農(nóng)藥殘留含量的高靈敏分析。三階校正算法是化學(xué)計(jì)量學(xué)方法的前沿研究領(lǐng)域，其在二階之上引入額外一維，在分析中具有更高的維度優(yōu)勢(shì)，能更好地避免背景干擾和基體效應(yīng)。其中報(bào)道最多的是四維平行因子分析（four-way PARAFAC）。Rubio等[54]利用三維熒光光譜法開(kāi)展了生菜中氨基甲酸酯類(lèi)農(nóng)藥的定量分析；針對(duì)信號(hào)中目標(biāo)農(nóng)藥殘留組分和食品基質(zhì)組分均重疊嚴(yán)重的問(wèn)題，作者結(jié)合樣品提取物不同的稀釋度成功構(gòu)造了四維熒光數(shù)據(jù)，并借助Four-way PARAFAC方法解析復(fù)雜的四維數(shù)據(jù)，很好地得到了不同稀釋度下目標(biāo)農(nóng)藥殘留的分析結(jié)果。目前，高階分析儀器還不多，相對(duì)應(yīng)的高階校正算法的研究應(yīng)用還處在探索階段，但是其擁有的潛能卻吸引著越來(lái)越多的研究者去挖掘與發(fā)現(xiàn)。

5 小結(jié)與展望

借助化學(xué)計(jì)量學(xué)方法的數(shù)學(xué)模型與理念，食品分析中的許多問(wèn)題都得到了解決與改善，極大地推動(dòng)著農(nóng)藥殘留研究向簡(jiǎn)單、快速、高效和自動(dòng)化的方向發(fā)展。同時(shí)，伴隨著新型檢測(cè)技術(shù)的推廣，如高光譜成像技術(shù)、高階量分析技術(shù)等，可以為食品中農(nóng)藥殘留的檢測(cè)提供新的手段。而新的化學(xué)計(jì)量學(xué)方法的創(chuàng)新與發(fā)展，尤其是高階校正算法的發(fā)展將是一個(gè)極具潛力的研究方向；不同化學(xué)計(jì)量學(xué)方法之間的交叉結(jié)合產(chǎn)生新的算法，往往也能發(fā)揮更大的農(nóng)藥殘留分析優(yōu)勢(shì)。然而，大多化學(xué)計(jì)量學(xué)方法本身或多或少都存在一定的缺陷，在食品農(nóng)藥殘留分析中很難取得滿(mǎn)意效果；此外，在食品農(nóng)藥殘留檢測(cè)中以化學(xué)計(jì)量學(xué)為指導(dǎo)的研究還不多，很多化學(xué)計(jì)量學(xué)領(lǐng)域的新方法都尚未在食品分析中得到應(yīng)用。所以，如何更好地將化學(xué)計(jì)量學(xué)方法結(jié)合分析技術(shù)運(yùn)用到食品農(nóng)藥殘留檢測(cè)中來(lái)，仍是一個(gè)值得深入探究的課題。