拉曼光譜技術在農產品中的應用

曾 榮，陳偉強，何殊妍，高夢蝶，梁藝沛，白永亮

（佛山科學技術學院，廣東 佛山 528200）

目前，化學分析廣泛用于生化成分的檢測，包括高效液相色譜、氣相色譜及氣相色譜-質譜聯用等[1-2]。這些方法不僅耗時，對樣品存在一定的破壞，且需要專業的技術人員來處理特殊的程序協議和儀器。此外，很難獲得樣品中特定物質的空間分布。拉曼光譜是一種光學分析方法，可以在不破壞樣品的情況下對關鍵化合物進行即時、無標記的檢測和定量。拉曼光譜可簡化分析過程，減少樣品的分析時間。

近年來，隨著拉曼光譜技術的發展，在農業和食品分析中的應用越來越廣泛。具有不同官能團的生物分子由于振動模式不同，在拉曼光譜中表現出不同的特征峰，因此拉曼光譜可以提供細胞、組織或生物流體的化學指紋圖譜[3]。拉曼光譜現在在農產品上被廣泛用于提供與化學成分和結構特征相關的數據，以及對各種植物材料的半定量和定量分析[4]。在農業方面，存在農產品質量評估[5]、作物生長監測[6]、品質評價及食品安全控制等各種需求。同時，在農產品成分分析、摻偽摻假和分類識別、農藥殘留檢測等方面越來越廣泛，在預測和分析食用品質、發酵過程監控、植物疾病鑒定、感官屬性預測、新鮮度檢測等各方面均有較大的應用價值。

1 拉曼光譜簡介

拉曼（Raman） 是一種光的散射效應，入射光子改變分子中電子與核的分布，導致分子極化率發生改變，產生誘導偶極矩，從而發生非彈性光散射[7]。能夠在分子運動中掌握分子結構和特性，幾乎每一種物質都有其獨特的拉曼指紋圖譜。因此，可進行定性或定量分析。近年來，隨著光譜的發展，拓展出了一系列拉曼光譜檢測手段，如傅里葉變換拉曼光譜技術、表面增強拉曼光譜（SERS）、顯微拉曼光譜技術、差分拉曼光譜、共振拉曼光譜分析技術等。

拉曼分析幾乎是以最少的樣品預處理或無需預處理，因此可以被認為是一種環保無損的分析方法。與同樣來自分子振動模式的紅外光譜相比，拉曼光譜的測量不受水分子的影響，并能進行拉曼光譜成像，以獲得某些成分的空間分布。拉曼光譜通過對生物樣品產生結構指紋揭示幾乎所有的化學成分，包括核酸、碳水化合物、脂質和蛋白質等的特性，并將其光譜指紋與食品的營養價值、摻假或質量等獨特性狀聯系起來。

2 拉曼光譜在農產品檢測的應用

2.1 微生物及有害物檢測

食品安全是一個重要的民生問題，食品種類繁多，而伴隨的各種污染物問題也層出不窮，因此探究快速、靈敏度高的檢測方法至關重要。任菲等人[8]采用擦拭法提取薏苡仁表面的黃曲霉毒素G1，建立了薏苡仁中黃曲霉毒素G1的動態表面增強拉曼光譜的快速檢測方法，該方法線性范圍為8～320 μg/kg 檢測良好，檢出限為5.5 μg/kg，相對標準偏差為11%，能滿足黃曲霉毒素G1的快速檢測要求。楊雪倩等人[9]用拉曼光譜法檢測玉米中玉米赤霉烯酮和黃曲霉毒素B1，對AFB1 和ZEN 分別選取了22 和36 個特征波長建立了BPNN 模型來進行預測，該模型對AFB1 和ZEN 含量預測值的相關系數和均方根誤差分別為0.986 9，0.098 7 和0.967 3，0.092 2。談銘等人[10]利用便攜式拉曼光譜儀對5 種陽性和陰性酒樣本中烏頭堿的含量進行了檢測，檢測限可達到10 mg/kg。許明翥[11]采用了差分拉曼和表面增強技術相結合的方法對表皮葡萄球菌、鹽單胞菌和耐鹽芽孢桿菌進行檢測，并得到相應其指紋圖譜，三類菌種在728 cm-1處均有拉曼增強，2 種嗜鹽菌在955 cm-1處有共同的增強峰，耐鹽芽孢桿菌在1 521 cm-1的類胡蘿卜素有增強，鹽單胞菌在558 cm-1，1 401 cm-1處海藻糖和四氫嘧啶有增強，這可以作為判別二種菌的依據。

以上結果表明，拉曼光譜技術對農產品中黃曲霉毒素G1的現場實時快速分析具有良好的應用潛力，該技術能夠快速檢測糧食作物中真菌毒素，不同菌種和毒素的光譜差別明顯，可通過拉曼光譜特征峰進行判別。

2.2 病蟲害檢測

冷小梅等人[12]用拉曼光譜技術檢測了水稻稻瘟病，與正常水稻莖稈相比，稻瘟病病菌侵染造成了水稻組織內碳水化合物、蛋白質、核酸等分子結構發生變化。在7 個主要拉曼特征峰繪制的ROC 曲線下，面積（AUC） 最小為0.83，說明該方法診斷性較明顯，能為稻瘟病早期檢測提供參考依據。蘋果在貯藏和運輸過程中容易受到擠壓和碰撞而造成機械損傷，尤其是早期輕微損傷，在外觀上與完好部位區別不大，肉眼很難識別，陳思雨等人[13]應用拉曼光譜結合化學計量學方法基于線性和多項式核函數建立了對蘋果早期輕微損傷進行快速識別的SVM 分類模型，模型準確率可達到97.8%。郭志明等人[14]采集了蘋果表層組織不同侵染階段的拉曼光譜圖像，分別構建了多糖、果膠和纖維素等主要成分分布的偽彩圖像，并建立了5 種優勢腐敗菌侵染蘋果組織不同階段的判別模型，模型的校正集和預測集識別精度均達95%以上。

2.3 農藥殘留

我國大部分農業生產中都會應用化肥和農藥，在保證農業經濟效益最大化的同時，也會帶來一些農藥殘留問題，農藥殘留是影響農產品質量的重要因素[15]。拉曼光譜能夠快速、高效的識別不同農藥分子，根據不同農藥的拉曼指紋圖譜進行定性定量分析。

在農藥殘留檢測上，陳念念等人[16]建立了一種果蔬中多菌靈殘留的表面增強拉曼光譜快速定性測定方法，多菌靈的拉曼特征位于630±5 cm-1，728±5 cm-1，1 002±5 cm-1，1 224±5 cm-1，1 264±5 cm-1，1 316±5 cm-1，結合檢出概率模型（POD），確定出了多菌靈在柑橘、蘋果等水果中的檢出限為0.5 mg/kg，在辣椒等蔬菜中的檢出限為1.0 mg/kg。廉帥等人[17]通過785 nm 拉曼激光光源對聯苯菊酯進行檢測，位于659 cm-1，948 cm-1，993 cm-1和1 292 cm-1處拉曼活性峰為鑒別聯苯菊酯的特征峰。朱曉宇等人[18]采用表明增強拉曼光譜技術分析了綠茶中甲萘威農藥殘留，以1 557 cm-1處峰強度建立了甲萘威殘留濃度在0.28～5.56 mg/kg 范圍內的定量分析，最低檢出濃度0.83 mg/kg，符合國家規定標準1 mg/kg。劉燕德等人[19]用共聚焦顯微拉曼光譜儀對臍橙表面亞胺硫磷和毒死蜱混合農藥使用偏最小二乘（PLS） 和主成分回歸（PCR） 建模算法結合不同的光譜預處理方法，建立了定量數學模型，對混合農藥進行定性與定量分析。

拉曼光譜方法對農藥殘留的檢測，操作簡單、快速準確，從樣品前處理到結果顯示僅需數分鐘就可完成。根據農藥分子特征峰可進行定性和定量分析。定量檢測線可達到國標檢測要求，可應用于果蔬中農殘的現場快速檢測。

2.4 品質鑒定和分類

拉曼光譜被認為是監測食品品質和質量的有效檢測技術。例如，可以研究蛋白質二級結構如酰胺I（1 650～1 680 cm-1）、酰胺II（1 262～1 313 cm-1） 區域，以及C-C 基團（940～1 070 cm-1）、C-H 基團（1 440～1 457 cm-1） 和氨基酸（640，850 cm-1） 的修飾，此外，拉曼光譜還被廣泛應用于肉品感官特性、腐敗、pH 值的測定。譚航彬等人[20]采用拉曼光譜檢測了0～40 d 雞蛋蛋黃和蛋清的拉曼光譜并對光譜進行預處理，通過主成分-線性判別（PCA-LDA） 和正交矯正的偏最小二乘-線性判別（OPLS-LDA） 分類模型，對雞蛋品質進行分類。PCA-LDA 模型對蛋黃和蛋清的品質分類準確率分別達到96.3%和96.7%，OPLS-LDA 模型對蛋黃和蛋清的品質分類準確率分別達到98.6%和99.2%。蘇東林等人[21]通過拉曼檢測蜂蜜中果糖、葡萄糖、蔗糖和麥芽糖含量，并對4 種糖分進行了定量分析。綠原酸和蕓香苷的含量是煙草品質的重要指標，黃天雄等人[22]采集了120 個煙草溶液樣本的拉曼光譜，所建立的偏最小二乘法（PLS）多元校正模型可對煙草中多酚類化合物綠原酸和蕓香苷含量實現準確可靠的預測。

這些研究表明，拉曼光譜對農產品品質檢測具有良好的應用效果。拉曼系統已被開發用于肉類、煙草等農副產品質量和新鮮度等品質的檢測，結合化學計量學分析在質量監測和分類模型中具有很高準確率。

2.5 摻偽摻假

匡俊豪等人[23]以稻米油、玉米油和大豆油作為摻假樣品摻入山茶油中，并對樣品進行拉曼光譜檢測，結合主成分分析-線性判別分析（PCA-LDA） 法能夠有效鑒別山茶油摻假，在山茶油三元摻假模型中，訓練樣品的分類準確率為99.2%，預測樣品的判別準確率為96.8%。萬恒興等人[24]將玉米油、花生油、大豆油和葵花籽油摻入葡萄籽油中，按照不同體積比配置摻偽油樣224 個，建立了基于拉曼光譜的葡萄籽油摻偽快速定量檢測方法。使用SPXY 法按3∶1比例劃分校正集和預測集，對葡萄籽油摻偽能較好的進行區分，不同分析方法的相對分析誤差（RPD）均大于4。

拉曼光譜結合化學計量學分析方法可以有效區分不同種類的植物油，快速定量檢測油中摻偽含量和摻雜物，建立的摻偽模型具有較高的預測精度。

2.6 中藥材鑒別和分析

近年來，采用拉曼光譜用于對中藥材產品的真偽鑒別和地域性分析比較多見。孫彩霞等人[25]對浙江省5 個浙貝母主產區不同生產基地的浙貝母拉曼圖譜進行一階求導，并對樣品的特征拉曼峰進行歸屬，初步判定在800～2 000 cm-1位移處的9 個特征峰作為鑒別浙貝母品質、產地和溯源的手段。彭艷等人[26]采用拉曼光譜測試了河南、河北、廣西及安徽等地的部分山藥選片、飲片和麩炒山藥的拉曼圖譜，判別分析可明顯區別廣西和其他3 個產地的山藥；通過對照標準山藥藥材和可溶性淀粉拉曼圖譜，確定了478，866，941，1 460 cm-1處的峰為山藥片的特征峰，并驗證了山藥根莖部的主要成分是淀粉，麩炒后的山藥在478 cm-1處的拉曼峰強度變化可作為山藥飲片麩炒過程中的動態變化特征峰。孫佳慧等人[27]用SERS 和計量學方法對冬蟲夏草和蛹蟲草進行分析鑒別，主成分分析和聚類分析都能很好的區別兩者之間的特征。拉曼光譜已成功應用于快速鑒別藥材類別、真偽、優劣及產地溯源等方面。

2.7 動態監測

拉曼技術是檢測植物生理狀態，評估作物品質和植物成熟度的有力工具，具有非侵入、無需標記的檢測優點。Chylińska M 等人[28]研究了細胞壁多糖含量、酚類化合物、抗壞血酸和果膠酶活性等對番茄果實生理發育過程中細胞壁微觀結構及多糖分布變化的影響。共聚焦拉曼光譜能夠可視化植物細胞壁，包括中心片層區域中多糖的空間分布變化。在成熟的綠色番茄中，果膠濃度特別是在細胞角質層中可見，而在成熟的紅色番茄中，果膠在細胞壁中均勻分布。Lopez-Sanchez M 等人[29]利用拉曼光譜技術來評估橄欖果實生長和成熟過程中發生的變化，測量了橄欖果實（皮、肉和核） 不同部位在不同發育階段的光譜，觀察到類胡蘿卜素和酚類化合物在橄欖生長期間增加，在成熟階段減少。不同光譜波段的演變與橄欖成分的含量有關，如甘油三酯、水、類胡蘿卜素和酚類化合物。Qin J 等人[30]報道了利用拉曼光譜可視化檢測番茄中主要的類胡蘿卜素番茄紅素的含量，對果實成熟過程中番茄紅素含量的變化進行成像，能夠監測番茄成熟期成分的動態變化和采后過程中的內部分布。Martin D 等人[31]開發了一種基于類胡蘿卜素拉曼光譜振動帶的番茄成熟模型，利用532 nm 激光對番茄果實生長期和采后成熟期進行分析，構建了描述番茄成熟過程階段的模型，并能準確評估采后果實品質。Langer R 等人[32]首次使用手持拉曼光譜儀對辣椒進行了類似的研究，描述了辣椒果實中典型的類胡蘿卜素的拉曼信號，并跟蹤了在成熟過程中的演變。并建立一種多元化學計量學模型和一種簡單的一維模型，得到一種用于辣椒果實成熟度分級的四點量表，從而以自動化的方式確定分類過程中的成熟度。

以上研究結果表明，拉曼光譜方法可在農作物生長成熟階段對生化成分快速監測，在發酵過程方面具有很好的應用前景，在實時動態監測上具有良好的可行性和穩定性。

3 結語

拉曼光譜技術是一種無損、靈敏的檢測和分析工具，在農作物研究中，特別集中于拉曼光譜監測植物生理狀態、評估作物成熟度和品質、植物病理學及鑒定植物種類方面的應用；同時，可以快速檢測農產品的生物和非生物脅迫，還可以用于對植物果實和種子等的營養價值和品質進行非侵入性的評估，此外，可以作為植物育種和選擇的先進方法，是數字農學的理想工具。拉曼光譜技術的應用，進一步加強了對農產品質量和安全的檢測。

拉曼光譜對未來數字農業發展具有很大的潛力，所呈現的農業優勢將會越來越明顯。將拉曼技術應用于精準農業可以顯著提高農業管理、作物質量評估以及生物和化學污染物檢測的能力，從而促進食品安全及農業的生產力和盈利能力。