微生物檢測新技術在肉品中的應用研究進展

摘 要：肉類食品是全球消費者的重要蛋白質來源，但微生物引起的腐敗不僅會導致經濟損失，還可能引發食源性疾病。經典的微生物檢測方法雖然操作簡單，但存在檢測時間長、靈敏度低等不足，難以滿足現代食品安全保障的需求。近年來，隨著肉品微生物檢測新技術的應用，微生物檢測在速度、靈敏度和特異性方面得到顯著提升。本文綜述培養法、免疫學方法、生化反應、聚合酶鏈式反應檢測及熒光檢測等經典檢測方法的優勢和不足，介紹高通量測序、數字聚合酶鏈式反應、基質輔助激光解吸電離飛行時間質譜、紅外光譜、拉曼光譜和高光譜等新技術的檢測原理和技術優勢，探討其在未來食品安全檢測中的應用前景，旨在為提高肉品安全的監測水平提供技術支持。

關鍵詞：肉品微生物；食品安全；經典檢測技術；微生物檢測新技術；應用

Application of New Microbial Detection Techniques in Meats： An Update

XIONG Yinghan1， LI Chongyan2， LI Ruolin2， WU Rao2， ZHOU Zhiwei2， SUN Honghu3， SUN Qun1，2，*

（1. College of Light Industry Science and Engineering， Sichuan University， Chengdu 610064， China;

2. College of Life Sciences， Sichuan University， Chengdu 610064， China;

3. Irradiation Preservation Key Laboratory of Sichuan， Chengdu Institute of Food Inspection， Chengdu 611135， China）

Abstract： Meat is a vital source of protein for consumers worldwide. Microbial spoilage not only leads to economic losses， but also may cause foodborne illnesses. Classical detection techniques are simple to operate but also have some drawbacks such as long detection time and low sensitivity， making them inadequate to meet the demands of modern food safety. With the application of new techniques， microbial detection has seen dramatic improvements in speed， sensitivity， and specificity. This review summaries the advantages and shortcomings of classical microbial detection methods， including culture， immunology， biochemical reaction， polymerase chain reaction （PCR）， and fluorescence， and introduces the principles and advantages of new technologies such as high-throughput sequencing， digital PCR （dPCR）， matrix-assisted laser desorption ionization time of flight mass spectrometry （MALDI-TOF MS）， infrared spectroscopy， Raman spectroscopy， and hyperspectroscopy. Future prospects for their application in food safety testing are also explored， aiming to provide technical support for improving meat safety monitoring.

Keywords： meat microbiology; food safety; classical detection techniques; new microbial detection techniques; application

DOI：10.7506/rlyj1001-8123-20240902-228

中圖分類號：TS251.1" " " " " " " " " " " " " " " " " " " " 文獻標志碼：A 文章編號：1001-8123（2025）02-0046-09

引文格式：

熊穎涵， 李重言， 李若林， 等. 微生物檢測新技術在肉品中的應用研究進展[J]. 肉類研究， 2025， 39（2）： 46-54. DOI：10.7506/rlyj1001-8123-20240902-228." "http：//www.rlyj.net.cn

XIONG Yinghan， LI Chongyan， LI Ruolin， et al. Application of new microbial detection techniques in meats： an update[J]. Meat Research， 2025， 39（2）： 46-54. DOI：10.7506/rlyj1001-8123-20240902-228." "http：//www.rlyj.net.cn

肉類及其制品是優質蛋白質、氨基酸和維生素的重要來源。隨著全球人口增長和生活水平提高，全球肉類產量從2016年的3.171 7億 t增加到2024年的3.506 4億 t[1]。然而，肉品的豐富營養是微生物的理想培養基，新鮮肉品的高水分活度（＞0.998）及中性至微酸性的pH值為各種細菌和真菌提供了理想的生長環境，加之脂質氧化和酶促自溶作用，共同促進了肉品的腐敗。全球每年有7 300～9 100萬 t肉類因腐敗而被浪費[2]，這不僅造成了巨大的經濟損失，還引發了嚴重的食品安全問題。根據世界衛生組織報道，每年約有6億 人患食源性疾病，其中有42萬 人因食用不安全食品而死亡，其中由微生物性致病因子引起的病例占總發病人數的60%以上[3]。在我國，肉類是引發食源性疾病暴發的第二大常見食品類別，占所有食源性疾病暴發總數的16.4%，因此對肉品中微生物的檢測尤為重要[4]。

目前，肉品微生物的檢測主要依賴于經典的檢測方法，如培養法、免疫學方法、生化反應、聚合酶鏈式反應（polymerase chain reaction，PCR）檢測及熒光檢測等，雖然這些方法操作簡單、成本較低，但存在檢測時間長、靈敏度低和操作過程復雜等局限，難以滿足現代食品特別是肉品安全的快速檢測和溯源需求。近年來，隨著高通量測序（high-throughput sequencing，HTS）、數字PCR（digital PCR，dPCR）、基質輔助激光解吸電離飛行時間質譜（matrix-assisted laser desorption ionization time of flight mass spectrometry，MALDI-TOF MS）、紅外光譜、拉曼光譜和高光譜等新技術的出現，肉品微生物檢測在速度、靈敏度和特異性方面得到顯著提升。HTS可以提供詳盡的基因組信息，dPCR適用于低豐度病原體的檢測，MALDI-TOF MS可實現快速、高度精確的鑒定，而紅外光譜、拉曼光譜和高光譜技術則通過無損檢測手段促進了實時質量安全的監控。這些新技術不僅克服了經典方法的多種局限性，還通過更精準、快捷的分析手段，大幅提高檢測效率。當然，新的檢測技術也面臨著挑戰，如設備成本高、操作復雜及缺乏統一的標準化流程。

基于此，本文對肉品中微生物檢測經典方法的優勢和不足進行總結，著重介紹一系列新型檢測技術的原理、優勢，探討其在未來食品安全檢測中的應用前景，旨在為提高肉品安全的監測水平提供技術支持。

1 肉品微生物經典檢測技術

1.1 傳統培養法

傳統培養法仍是檢測肉品微生物的主要標準。該方法通過將待檢樣本接種在特定的培養基上，并在適宜的條件下孵育形成菌落，再根據菌落的形態、顏色和大小初步鑒定微生物種類。細菌和真菌都能夠在培養基上生長，形成可見菌落后進行初步檢測，并根據需要進行其他下游檢測。該方法無需復雜的設備和技術，成本較低，適合各種實驗室條件，可生成基于培養基的食品病原體定性和定量數據。目前，GB 4789系列《食品安全國家標準 食品微生物學檢驗》均是以傳統微生物學培養為基礎的經典檢驗方法，培養法仍是食品微生物檢測的金標準。

傳統培養法的顯著缺點是操作繁瑣，需提前配制培養基，稀釋管、槍頭等用品需要高壓滅菌，樣品的前處理、增菌和分離培養通常需要48 h以上，致病菌和真菌檢測常需要1 周甚至更長的時間，因此不適用于食源性病原菌的現場快速檢測。此外，一些可培養的細菌（如傷寒桿菌和大腸桿菌）可能因環境壓力導致其以具有活力但不可培養的形式存在，使檢測產生假陰性結果[5]。某些微生物可能在特定培養基上無法生長或生長緩慢，且低濃度的微生物難以被檢測到。

1.2 免疫學方法

免疫學檢測方法是通過抗原-抗體的特異性結合來識別待測成分。通常采用酶聯、熒光或膠體金等方式放大信號。檢測時，顏色深淺與待檢物質的量成比例，可直接根據顏色深淺進行樣品分析。常見的方法如酶聯免疫吸附測定（enzyme linked immunosorbent assay，ELISA）因其高通量、良好的特異性和穩健性及操作簡便而被廣泛使用[6]。王利剛[7]利用全自動ELISA熒光分析儀法對生鮮肉中單核細胞增生李斯特氏菌進行檢測，將檢測時間從傳統檢測周期所需的4～5 d縮短至51 h。免疫學檢測方法的主要優點是操作簡便，比傳統培養法更快，通?？梢栽跀敌r內得到結果，可以檢測毒素，且能夠特異性地識別目標微生物，適用于檢測難以培養的微生物。ELISA試劑盒法已被廣泛應用于葡萄球菌腸毒素、黃曲霉毒素B1等微生物相關毒素的測定。

然而傳統ELISA技術仍存在一些缺點，其檢測限（最低102 CFU/mL）不足以達到許多蛋白質生物標志物的臨床閾值，難以檢測微生物污染早期階段的低濃度抗原。此外，食品中的脂肪、鹽類、碳水化合物等共存成分可能會抑制抗體與抗原的結合，導致ELISA檢測受限。加之ELISA試劑盒價格較高，導致其檢測成本高昂。

1.3 生化測試

生化測試方法是通過檢測微生物在特定生化反應中的反應產物或相關酶活性鑒定微生物的種類和數量。生化反應可以通過檢測細菌對各種基質的代謝作用及其代謝產物鑒別細菌的種屬。例如，糖發酵試驗、吲哚試驗、甲基紅試驗、Voges-Proskauer試驗、硫化氫試驗、明膠液化試驗和檸檬酸鹽利用試驗等，這些生化試驗通常在特定的培養基中進行，可以提供關于微生物代謝特性的重要信息，有助于微生物的鑒定和分類[8]。生化測試檢測方法具有檢測特異性較高、成本較低、可了解微生物的代謝特性和生理功能的優點。目前，商品化的微生物生化鑒定試劑盒和配套儀器設備可將多個生化測試集成并實現自動化培養和分析鑒別，如梅里埃VITEK 2 Compact的全自動藥敏分析儀、梅里埃AIP 20E等。

生化測試檢測的缺點在于檢測時間較長，通常需要24 h以上才能完成。對于復雜的微生物群體，可能需要多種生化測試來確認，難以在生產加工現場進行檢測。此外，結果解讀依賴專業人士，主觀因素可能影響準確性。

1.4 PCR檢測

PCR可以對特定的DNA和RNA系列進行擴增，因其特異性高、靈敏度高、重現性好而被廣泛應用。PCR提供了更準確、靈敏和快速的單一細菌或基因檢測，避免傳統方法的表型特征模棱兩可的情況。Heo等[9]利用hlyA基因設計特異性引物，建立的PCR法可以區分單核細胞增生李斯特氏菌和其他3 種同屬異種菌。PCR技術的應用極大優化了檢測步驟，縮短了檢測時間。目前，GB 4789.6—2016《食品安全國家標準 食品微生物學檢驗》及GB 4789.40—2024《食品安全國家標準 食品微生物學檢驗 克羅諾桿菌檢驗》中致瀉大腸埃希氏菌、克羅諾桿菌等致病菌可使用PCR和電泳的方式進行檢測。

PCR系列技術在用于病原體檢測的過程中也存在一些不足，如易受PCR抑制劑影響，且檢測前需要分離出單個菌落并對其進行確定。PCR儀器和特異性引物費用較高，且無法對失去生物活性的菌株進行識別。此外，PCR反應的高靈敏度可能導致DNA被污染從而引起假陽性，失去活性的病菌DNA在體外擴增也可能導致假陽性的結果[10]。

PCR技術還有許多變化，如實時定量PCR、多重PCR等，可以定量檢測樣品中微生物數量，或同時一次性檢測多種病原微生物。

1.5 熒光檢測技術

腺苷三磷酸（adenosine triphosphate，ATP）熒光檢測技術是一種基于生物發光反應的快速檢測方法，被廣泛應用于肉制品檢測領域。該技術利用熒光素酶催化ATP和熒光素之間的反應產生熒光信號，通過測定熒光的強度間接反映樣品中的ATP含量，從而推斷出食品中的微生物或有機殘留水平。ATP熒光檢測技術具有檢測靈敏度高、數據處理速度快、特異性強、操作簡便等優點。Liu Zhenning等[11]提出了一種基于S1核酸酶、6-羧基熒光素胺標記的單鏈DNA和氧化石墨烯建立的新型傳感器，用于檢測ATP和評估牛肉樣品的新鮮度。結果表明，在最佳條件下，熒光與20～3 500 μmol/L的ATP濃度之間存在線性相關性，檢測限為3.2 μmol/L，表明該改良熒光技術的靈敏度和準確性高于紫外-可見光譜分析。ATP熒光檢測技術的缺點也很明顯，它無法區分不同類型的微生物（如病原菌與非病原菌），其檢測結果只能反映總ATP含量，而不能具體指示污染來源。環境中殘留的非微生物ATP或其他含ATP的物質可能干擾檢測結果，導致結果出現假陽性。

經典檢測技術的優勢和不足如表1所示。

2 肉品微生物檢測新技術

2.1 基于分子生物學的檢測方法

2.1.1 HTS技術

HTS技術也被稱為下一代測序（next-generation sequencing，NGS）技術，是現代分子生物學的重要工具。這項技術能夠同時測定數十萬至數百萬條DNA分子序列，極大擴展了基因組學的應用范圍，是目前應用最廣泛的測序方法[12]。

NGS技術顯著提高了測序速度和效率，能同時處理多個樣本，生成大量基因組數據。在肉品微生物檢測中，NGS主要有2 種應用方式：一是通過對微生物進行分離培養，對單個微生物進行全基因組測序。例如，Wang Qin等[13]利用該技術完成了中國零售肉類中大腸桿菌的測序，報道了mcr-10在零售肉類中的質粒介導耐藥基因的傳播，揭示了肉品中的大腸桿菌可能通過食物鏈傳播抗性基因，該研究表明，NGS技術在揭示微生物耐藥性、毒力因子及遺傳變異信息方面顯示出巨大潛力。二是無需對微生物進行分離培養即可快速識別肉品中微生物種類的宏組學技術。例如，de Matos等[14]利用NGS技術分析牛肉中細菌多樣性，確定了關鍵細菌種類的相對豐度，與傳統方法相比，NGS提供了更具體和精確的微生物群落信息。Park等[15]則利用NGS技術全面分析雞肉供應鏈各環節的微生物群落，識別微生物的來源和擴散路徑，從而提高食品安全管理效率。然而，該技術實驗及分析周期長，對實驗人員技術要求高，且需要高效的計算和分析方法處理龐大的數據量，否則會影響結果的準確性。此外，不同實驗室的測序平臺、樣本處理、數據分析方法的差異也可能影響結果的可比性。短讀長測序平臺還可能產生一定比例的測序錯誤，并且樣本間的交叉污染也可能進一步影響數據的可靠性[16]。

2.1.2 dPCR技術

dPCR是一種用于核酸分子絕對定量的技術，該技術將核酸樣品分配到數萬個獨立微反應單元中，每個單元盡可能只含1 個目標模板分子，然后進行獨立PCR擴增。通過讀取熒光信號判斷結果，陽性為“1”，陰性為“0”，最后統計陽性個數和比例。由于反應孔中可能含有零個或多個模板分子，dPCR通過泊松統計法校準數據，計算拷貝數和濃度[17]，其反應原理如圖1所示。

與傳統的實時熒光定量PCR（real-time fluorescence quantitative PCR，real-time PCR）相比，dPCR無需借助內參基因、標準品或標準曲線即可直接實現核酸的絕對定量分析；泊松分布的應用使得dPCR能夠檢測到樣本中的微小差異，特別適用于復雜背景序列中低豐度目的序列的定量檢測。dPCR對樣本進行極限稀釋，檢測靈敏度可達單個核酸分子，減少了靶標分子對擴增試劑的競爭。因此，dPCR在低濃度病原體的檢測中表現出顯著優勢，即使在復雜樣品基質中也能保持高靈敏度和抗抑制劑能力[18]。

我國目前對食源性致病菌的檢測主要依賴于耗時較長的傳統培養法和real-time PCR技術等，但在食品基質復雜、目標分子含量低的情況下，這些方法的檢測結果可能存在偏差。dPCR無需建立標準曲線即可進行絕對定量分析，縮短了檢測時間，在食源性致病菌的檢測中已經得到廣泛應用。?z等[19]開發了一種基于微滴式dPCR（droplet dPCR，ddPCR）的檢測方法，用于快速檢測生碎肉樣品中的沙門氏菌屬。該方法通過短時預增菌步驟，結合特異性的引物和探針設計，成功實現了對沙門氏菌屬的準確檢測，檢測限達到1.39 CFU/mL。Kong Jiaqi等[20]將NGS與ddPCR相結合，用于準確檢測肉品中的大腸桿菌O157：H7和鼠傷寒沙門氏菌血清型，在雞肉表面的檢測限為3～4（lg（CFU/g）），在雞肉等食品中可檢測到低至2～3（lg（CFU/mL））的病原菌。此外，Suo Yuanjie 等[21]開發了一種基于適配體的dPCR芯片用于鼠傷寒沙門氏菌檢測，能夠在復雜食品基質中直接定量細菌，檢測限低至90 CFU/反應，整個過程僅需約2 h。目前，ddPCR方法已在一系列進出口行業標準中被應用于食品致病菌和病毒檢測，作為快速檢測放行的依據。

然而，dPCR仍存在一些局限性，如試劑和設備價格昂貴，使用成本較高；液滴的穩定性與可控性相對較差，難以避免液滴的少量融合[22]；大部分儀器對結果采用終點檢測法，無法監控擴增過程中的實時熒光數據，影響了數據的可信度。隨著技術的進步和成本的降低，dPCR技術有望在肉品微生物檢測中得到更廣泛的應用。

2.1.3 變性氣泡介導的鏈交換擴增（strand exchange amplification，SEA）技術

SEA技術是一種基于DNA呼吸作用引起的變性泡介導的恒溫核酸擴增技術，于2016年被提出。SEA引入了鏈置換酶（strand displacement enzyme，SDE），該酶在低溫下具有高度特異性和高效率的鏈交換活性。在SEA反應中，引物與待擴增的目標序列結合，SDE將引物與目標序列進行鏈交換，從而生成新的擴增產物，通過不斷循環此過程，實現恒溫下靶核酸區域的指數式擴增，SEA反應原理如圖2所示。

SEA技術為肉品微生物檢測提供了一種快速、靈敏且成本效益高的檢測方法[23]?；赟EA技術，研究人員開發了交錯SEA（staggered SEA，SSEA）和加速SEA技術，進一步提高了檢測速度和靈敏度。這些簡單、快速、低成本且高靈敏的技術已被廣泛應用于食品安全領域的即時分子診斷，尤其在大腸桿菌、李斯特菌和金黃色葡萄球菌等食源性病原菌的檢測中表現出顯著優勢[24]。Zhang Meilin等[25]利用SEA技術有效檢測了低至1.0×10?13 mol/L的基因組DNA，無需對樣品進行復雜的預處理，即可實現基因組DNA、培養液和菌落的實時熒光檢測，大大提高了檢測效率。金黃色葡萄球菌污染已成為世界性的食品安全問題，SEA特別適用于金黃色葡萄球菌的現場快速檢測和大規模篩查[26]。Zhang Jian等[27]開發的SSEA技術在1 h內實現了低至1.0×103 CFU/g的金黃色葡萄球菌檢測，展示了其在食源性致病菌檢測中的應用潛力。

SEA技術也存在一定的局限性，由于SDE的限制，SEA技術對擴增長度有一定的限制，通常適用于較短的目標序列，且對于新使用者來說，獲得最優的引物較為困難，這些因素限制了其應用范圍。隨著技術的改進，SEA有望在食品安全檢測中發揮更重要的作用。

2.2 基于蛋白組的檢測方法（MALDI-TOF MS技術）

MALDI-TOF MS技術是一種用于微生物快速鑒定的技術，該技術通過檢測微生物細胞內特定蛋白質的質譜圖譜來實現微生物的鑒定。這些蛋白質（如管家蛋白和核糖體蛋白）被提取并離子化后，根據其質量-電荷比在飛行管中飛行并被檢測器檢測，形成特征性的質譜圖，隨后通過將這些質譜圖與已知微生物的數據庫進行比對，利用算法評估匹配，從而實現對微生物的快速、準確鑒定[28]，其反應原理如圖3所示。

MALDI-TOF MS通過分析微生物的蛋白質組成進行鑒定，由于這些蛋白質在物種內部通常具有高度的保守性和獨特性，MALDI-TOF MS能夠提供具有高度確定性的鑒定結果[29]。此外，MALDI-TOF MS技術所需樣品和制備步驟少，數據處理時間短，可在短時間內對大量樣本進行檢測，因此常被用于微生物的快速鑒定。該技術已被成熟應用于單一細菌的快速鑒定，準確率高且檢測時間短，在1 h內的物種鑒定正確率為84%～94%，被證明是一種非?？焖?、經濟且可靠的細菌鑒定工具[30]。Sapugahawatte等[31]利用MALDI-TOF MS從香港濕貨市場的魚類和豬肉中鑒定出多重耐藥病原體。Wang Chen等[32]利用該技術以98.5%的準確率鑒定了從日本和埃及采集的食品樣本中的腸球菌。GB/T 33682—2017《基質輔助激光解析電離飛行時間質譜鑒別微生物方法通則》也給出了MALDI-TOF MS應用于微生物鑒定檢測中的應用原則和要求，有利于未來該方法在微生物鑒定領域的推廣應用。

MALDI-TOF MS技術在應用中也有一定的局限性，首先是數據庫中參考譜圖的完整性和準確性直接影響物種的識別效果，因此還需不斷更新圖譜庫以增加鑒定的準確性；此外，MALDI-TOF MS譜圖的重現性受樣品培養、制備和保存及所使用的基質類型影響；當物種具有近似相同的譜圖時（如大腸桿菌和志賀氏桿菌[33]），仍需通過表型方法和血清學實驗等進一步區分。隨著數據庫的完善和樣本處理技術的進步，MALDI-TOF MS有望逐步取代傳統的生化鑒定方法。

2.3 基于光譜技術的檢測方法

2.3.1 紅外光譜技術

紅外光譜通過測量物質對特定頻率紅外光的吸收或發射情況獲取物質的化學結構和組成信息。

紅外覆蓋頻率范圍為12 500～33 cm?1，可分為近中紅外（12 500～400 cm?1）和遠紅外（400～33 cm?1）[34]。近紅外和中紅外光譜在化學分析和微生物檢測中被廣泛應用，因為微生物的細胞膜和細胞壁含有獨特的化學成分，如核酸、蛋白質等，它們在紅外光譜中有特定的吸收特征[35]。盡管微生物的紅外光譜可能表現出相似性，借助光譜預處理技術和化學計量學方法（如偏最小二乘回歸（partial least squares regression，PLSR）、基于支持向量機（support vector machine，SVM）回歸和人工神經網絡等），仍然可以實現微生物的準確定量分析和區分。此外，采用主成分分析（principal component analysis，PCA）、偏最小二乘判別分析等方法可以對微生物進行有效的識別和分類。通常通過計算相關系數和均方根誤差確保模型的準確性和可靠性，以評估預測模型的性能[36]。

由于紅外光譜操作簡便、分析速度快且應用范圍廣泛，已成為成熟的微生物檢測手段。目前，已建立多種微生物的紅外光譜數據庫，并且商業化的紅外光譜微生物檢測設備也已問世。然而，大多數研究仍依賴于昂貴且笨重的臺式儀器，限制了其在現場微生物檢測中的靈活性和適應性。同時，近紅外光譜設備在應用于先前未分析過的樣本時，通常缺乏穩健性和準確性。因此，建立更全面的樣本數據庫和使用先進的算法對于實現穩定性和高準確性至關重要。在Zhang Zhepeng[37]、Zhang Fan[38]等的研究中，通過改進即時報學習模型，提出了一種穩健的近紅外光譜方法，用于檢測豬肉中的總揮發性鹽基氮（total volatile basic nitrogen，TVB-N）含量。該方法結合了自研的雙波段傳感器（可見光/短波近紅外光譜儀和長波近紅外光譜儀），用來采集豬肉的光譜反射率，通過即時報學習策略和最小二乘SVM預測模型，顯著提高了對未知樣本的預測精度，特別是在新批次樣本的預測中，模型預測決定系數達到0.92。這項研究證實近紅外光譜技術在快速、無損檢測肉類變質方面的應用潛力，特別是在那些對檢測精度和模型實時更新有高要求的場景中。通過擴展樣本庫和優化算法，可以進一步提高模型的魯棒性和預測的準確性，這表明結合現代算法和便攜式設備的紅外光譜技術在未來微生物檢測和精準防控中具有巨大潛力。

2.3.2 拉曼光譜技術

拉曼光譜技術在肉品微生物檢測領域得到了廣泛應用，該技術通過檢測肉品樣本的拉曼散射光，能夠獲得肉品中微生物的分子結構和組成信息，從而檢測肉品中微生物的種類、數量和活性。這為快速評估肉品的質量和安全提供了依據[39]，其檢測流程如圖4所示。

與傳統的微生物培養方法相比，拉曼光譜檢測技術速度快，特異性高，且無需對樣品進行復雜處理，具有顯著優勢[40]。拉曼光譜技術因其對肉品貯藏期間化學變化的高靈敏度監測，成為評估肉品新鮮度的關鍵工具。這些化學變化包括蛋白質分解和脂質氧化，通常由微生物活動引起，與肉品腐敗過程密切相關。結合拉曼光譜數據和多元統計分析方法（PLSR和PCA），可以預測肉品中的TVB-N含量，進而評估肉品腐敗程度。通過正交信號校正和卷積神經網絡（convolutional neural network，CNN）等機器學習算法，拉曼光譜技術不僅提升了微生物種類識別的準確性，還能有效區分不同腐敗階段的微生物[41]。例如，便攜式拉曼光譜儀結合CNN在鱸魚魚片新鮮度檢測中展現了快速、無損的檢測潛力，提供了食品安全和質量評估的高效工具。特征選擇與方差分析的結合，顯著提升了CNN模型的分類準確性和計算效率，為肉類產品的微生物安全評估提供了新途徑[42]。

此外，Liu Shijie等[43]開發了一種基于Ag@AuNP陣列的表面增強拉曼散射光譜技術，實現了對5 種常見細菌孢子的快速、準確鑒定，為肉制品中的孢子監測提供了前景廣闊的技術策略。

高昂的設備成本限制了拉曼光譜在肉類產業中的廣泛應用[44]。此外，數據量大、分析難度高、靈敏度低等問題使其推廣應用面臨挑戰。未來的研究應致力于開發更輕便、小型化的拉曼光譜設備，并探索成本效益更高的解決方案，以實現在線實時監測和與現有設備的集成。

2.3.3 高光譜技術

高光譜成像（hyperspectral imaging，HSI）技術（圖5）是一種集成成像與光譜分析的先進手段，能夠捕獲每個像素點在不同波長下的光譜信息，生成包含空間和波長維度的三維數據集，即超立方體。與傳統的成像或光譜技術相比，HSI的獨特之處在于其能夠同時測量圖像中每個像素的空間信息和光譜參數，捕捉從可見光到近紅外或短波紅外光譜（0.4～2.5 μm）范圍內的連續光譜信息[45]。

當表面帶有微生物的食品或液體培養基暴露在HSI系統的光源下，光線與樣品相互作用，產生反射或透射光。由于微生物細胞結構和化學組成（如蛋白質、脂類、核酸等）的差異，它們在特定波長范圍內會表現出特定的光譜響應。通過這些光譜特征，可以將不同類型的微生物區分開來。例如，不同種類的細菌或真菌在特定波長下的光譜差異可用于分類[46]。

作為一種非侵入性、非接觸性、非破壞性的技術，HSI的高光譜分辨率使其在快速、無損監測微生物腐敗方面具有顯著優勢。與耗時的傳統化學方法相比，HSI的處理時間更短，更適合于實時質量評估。此外，HSI能夠精確識別圖像中的關鍵分析區域，同時獲取空間和光譜信息，提供更準確、全面的數據分析，為后續實驗研究奠定了堅實的基礎[47]。

HSI在預測總活菌數（total viable count，TVC）方面顯示出巨大潛力。Li Huanhuan等[48]通過結合豬肉樣本的高光譜數據和比色傳感器響應，應用多變量分析方法，建立高效SVM的TVC預測模型，其模型的預測均方根誤差為2.991 3，這顯示出HSI與比色傳感器相結合的多變量分析方法在無損檢測豬肉質量與安全方面具有巨大潛力。此外，HSI也被用于其他微生物的快速無損檢測。Zhao Jiexi等[49]利用HSI結合AdaBoost-RT算法對冷藏雞肉中的假單胞菌進行檢測，通過獲取329～1 113 nm波段的高光譜數據，建立了新鮮雞胸肉中定性檢測金黃色葡萄球菌的方法。該研究將HSI與PCA、多種特征選擇技術（如競爭自適應重加權采樣、遺傳算法和連續投影算法）、SVM算法相結合，開發出分類模型。HSI在食品質量和安全評估，尤其是評估肉類新鮮度和微生物風險方面具有較好的應用潛力[50]。

盡管HSI技術具有明顯優勢，但也存在一些局限性。HSI系統的購置成本較高，且由于產生大量數據，需要高速計算機進行數據處理和大容量存儲設備。圖像采集過程中，信號可能受到環境因素如散射和照明的影響，可能導致信噪比降低。此外，通常難以使用光譜數據在等效圖像中檢測和識別到不同的物體。盡管存在這些挑戰，HSI技術在食品檢測領域的應用前景依然廣闊，值得進一步的研究與開發。

3 結 語

在食品檢測過程中，經典檢測方法仍然是應用最廣泛的方法，某些檢測新技術則成為輔助手段。這些技術如NGS、dPCR、SEA、MALDI-TOF MS和紅外光譜、拉曼光譜、HSI等，不僅在檢測速度、靈敏度和特異性方面表現出顯著優勢，還大大提高了檢測效率和準確性。其中，NGS能夠同時分析多個樣本的基因組信息，識別未知微生物種類，為揭示微生物的耐藥性和毒力因子提供了新的視角。dPCR技術憑借其高靈敏度和絕對定量的優勢，成為低豐度病原體檢測的理想選擇。SEA技術因其恒溫擴增的特性，非常適合現場快速檢測。MALDI-TOF MS則通過質譜分析微生物的蛋白質譜圖，實現細菌的快速鑒定。紅外光譜技術則實現了微生物的定量分析和區分，能夠在短時間內提供準確的分析結果。而拉曼光譜、HSI技術以其非破壞、非入侵性和快速檢測的優點，實現了樣品的無損檢測。

盡管這些新技術在肉品微生物檢測中展現出廣闊的應用前景，但其在實際應用中仍面臨一些挑戰。如NGS和dPCR技術的應用成本較高，數據處理復雜，設備成本高；MALDI-TOF MS受限于數據庫的完整性，難以鑒別相似物種；而拉曼光譜技術則由于設備昂貴和數據分析難度大，在肉類產業中的推廣應用受到限制。此外，HSI和紅外光譜雖然以其無損、快速檢測的優勢廣泛應用于食品質量評估，但它們的購置成本較高，數據處理復雜，且容易受到環境因素的影響，從而限制了其在實際生產中的大規模應用。未來的研究應著眼于降低技術成本，提高其在實際生產環境中的應用可行性，特別是開發小型化、集成化的設備，以實現實時在線監測，從而更有效地保障食品安全。

參考文獻：

[1] Organisation for Economic Co-operation and Development and Food and Agriculture Organization of the United Nations. OECD-FAO Agricultural Outlook 2024—2033[R]. Paris， France and Rome： OECD and FAO， 2024.

[2] Food and Agriculture Organization of the United Nations. FAO platform on food loss and waste[R]. Rome： FAO， 2024.

[3] World Health Organization. WHO estimates of the global burden of foodborne diseases： foodborne diseases burden epidemiology reference group 2007—2015[R]. Geneva： WHO， 2015.

[4] LI W W， PIRES S M， LIU Z T， et al. Surveillance of foodborne disease outbreaks in China， 2003—2017[J]. Food Control， 2020， 118： 107359. DOI：10.1016/j.foodcont.2020.107359.

[5] FODDAI A C G， GRANT I R. Methods for detection of viable foodborne pathogens： current state-of-art and future prospects[J]. Applied Microbiology and Biotechnology， 2020， 104（10）： 4281-4288. DOI：10.1007/s00253-020-10542-x.

[6] PORTILHO A I， GIMENES LIMA G， DE GASPARI E. Enzyme-linked immunosorbent assay： an adaptable methodology to study SARS-CoV-2 humoral and cellular immune responses[J]. Journal of Clinical Medicine， 2022， 11（6）： 1503. DOI：10.3390/jcm11061503.

[7] 王利剛. 生鮮牛肉中單核細胞增生李斯特氏菌檢驗方法的比較[J]. 肉類工業， 2018（2）： 54-57. DOI：10.3969/j.issn.1008-5467.2018.02.011.

[8] CHAUHAN A， JINDAL T. Biochemical and molecular methods for bacterial identification[M]//CHAUHAN A， JINDAL T. Microbiological methods for environment， food and pharmaceutical analysis. Cham： Springer International Publishing， 2020： 425-468. DOI：10.1007/978-3-030-52024-3_10.

[9] HEO E J， SONG B R， PARK H J， et al. Rapid detection of Listeria monocytogenes by real-time PCR in processed meat and dairy products[J]. Journal of Food Protection， 2014， 77（3）： 453-458. DOI：10.4315/0362-028X.JFP-13-318.

[10] 王丹丹， 劉鳴暢， 楊艷歌， 等. 食源性致病菌快速檢測技術研究進展[J].

食品科學， 2022， 43（3）： 276-285. DOI：10.7506/spkx1002-6630-20201105-048.

[11] LIU Z N， ZHONG Y H， HU Y， et al. Fluorescence strategy for sensitive detection of adenosine triphosphate in terms of evaluating meat freshness[J]. Food Chemistry， 2019， 270： 573-578. DOI：10.1016/j.foodchem.2018.07.041.

[12] SATAM H， JOSHI K， MANGROLIA U， et al. Next-generation sequencing technology： current trends and advancements[J]. Biology， 2023， 12（7）： 997. DOI：10.3390/biology12070997.

[13] WANG Q， HAN Y Y， ZHANG T J， et al. Whole-genome sequencing of Escherichia coli from retail meat in China reveals the dissemination of clinically important antimicrobial resistance genes[J]. International Journal of Food Microbiology， 2024， 415： 110634. DOI：10.1016/j.ijfoodmicro.2024.110634.

[14] DE MATOS L G， DA SILVA ABREU A C， ALONSO V P P， et al. Comparison of bacterial diversity in wet- and dry-aged beef using traditional microbiology and next generation sequencing[J]. The Microbe， 2024， 2： 100035. DOI：10.1016/j.microb.2024.100035.

[15] PARK J， BAE D， KIM S A. Microbial trace investigation throughout the entire chicken supply chain based on metagenomic high-throughput sequencing[J]. Food Research International， 2023， 169： 112775. DOI：10.1016/j.foodres.2023.112775.

[16] 刁振麗， 李金明. 宏基因組高通量測序技術的臨床應用： 現狀、挑戰與前景[J]. 協和醫學雜志， 2023， 14（5）： 905-910. DOI：10.12290/xhyxzz.2023-0089.

[17] SANCHA DOMINGUEZ L， COTOS SUáREZ A， SáNCHEZ LEDESMA M， et al. Present and future applications of digital PCR in infectious diseases diagnosis[J]. Diagnostics， 2024， 14（9）： 931. DOI：10.3390/diagnostics14090931.

[18] 秦愛， 王娟， 鄧方進， 等. 數字聚合酶鏈式反應技術在食品安全核酸檢測領域中的研究進展及標準化現狀[J]. 食品科學， 2024， 45（18）： 350-360. DOI：10.3969/j.issn.1008-0589.2004.03.009.

[19] ?Z Y Y， S?NMEZ ? ?， KARAMAN S， et al. Rapid and sensitive detection of Salmonella spp. in raw minced meat samples using droplet digital PCR[J]. European Food Research and Technology， 2020， 246（10）： 1895-1907. DOI：10.1007/s00217-020-03531-x.

[20] KONG J Q， FAN C C， LIAO X J， et al. Accurate detection of Escherichia coli O157：H7 and Salmonella enterica serovar typhimurium based on the combination of next-generation sequencing and droplet digital PCR[J]. LWT-Food Science and Technology， 2022， 168： 113913. DOI：10.1016/j.lwt.2022.113913.

[21] SUO Y J， YIN W H， ZHU Q Y， et al. A specific and sensitive aptamer-based digital PCR chip for Salmonella typhimurium detection[J]. Biosensors， 2022， 12（7）： 458. DOI：10.3390/bios12070458.

[22] BRAZELTON DE CáRDENAS J N， HAYDEN R T. Applications of digital PCR in clinical microbiology[J]. Advanced Techniques in Diagnostic Microbiology， 2018， 2： 685-698. DOI：10.1007/978-3-319-95111-9_29.

[23] LIN S， ZHANG X， TIAN A N， et al. Boron nitride nanoplate-based strand exchange amplification with enhanced sensitivity and rapidity for quantitative detection of Staphylococcus aureus in food samples[J]. Analytical Methods， 2024， 16（6）： 892-898. DOI：10.1039/d3ay02076b.

[24] DENG J， LI Y， SHI W Q， et al. Primer design strategy for denaturation bubble-mediated strand exchange amplification[J]. Analytical Biochemistry， 2020， 593： 113593. DOI：10.1016/j.ab.2020.113593.

[25] ZHANG M L， WANG X D， HAN L Z， et al. Rapid detection of foodborne pathogen Listeria monocytogenes by strand exchange amplification[J]. Analytical Biochemistry， 2018， 545： 38-42. DOI：10.1016/j.ab.2018.01.013.

[26] LIU C Y， SHI C， LI M Z， et al. Rapid and simple detection of viable foodborne pathogen Staphylococcus aureus[J]. Frontiers in Chemistry， 2019， 7： 124. DOI：10.3389/fchem.2019.00124.

[27] ZHANG J， HAN X N， WANG Y， et al. Rapid and sensitive detection of Staphylococcus aureus via an all-in-one staggered strand exchange amplification platform[J]. Analyst， 2023， 148（9）： 1970-1977. DOI：10.1039/D2AN02092K.

[28] 尹盼盼， 白雯靜， 李海燕， 等. 基質輔助激光解吸電離飛行時間質譜在微生物鑒定中的研究進展[J]. 微生物學通報， 2023， 50（10）： 4655-4666. DOI：10.13344/j.microbiol.china.230127.

[29] SINGHAL N， KUMAR M， KANAUJIA P K， et al. MALDI-TOF mass spectrometry： an emerging technology for microbial identification and diagnosis[J]. Frontiers in Microbiology， 2015， 6： 791. DOI：10.3389/fmicb.2015.00791.

[30] SENG P， DRANCOURT M， GOURIET F， et al. Ongoing revolution in bacteriology： routine identification of bacteria by matrix-assisted laser desorption ionization time-of-flight mass spectrometry[J]. Clinical Infectious Diseases， 2009， 49（4）： 543-551. DOI：10.1086/600885.

[31] SAPUGAHAWATTE D N， LI C， ZHU C， et al. Prevalence and characteristics of extended-spectrum-β-lactamase-producing and carbapenemase-producing enterobacteriaceae from freshwater fish and pork in wet markets of Hong Kong[J]. mSphere， 2020， 5（2）： 00107-20. DOI：10.1128/msphere.00107-20.

[32] WANG C， EL-TELBANY M， LIN Y Z， et al. Identification of Enterococcus spp. from food sources by matrix-assisted laser desorption ionization-time of flight mass spectrometry and characterization of virulence factors， antibiotic resistance， and biofilm formation[J]. International Journal of Food Microbiology， 2024， 420： 110768. DOI：10.1016/j.ijfoodmicro.2024.110768.

[33] ASHFAQ M Y， DA’NA D A， AL-GHOUTI M A. Application of MALDI-TOF MS for identification of environmental bacteria： a review[J]. Journal of Environmental Management， 2022， 305： 114359. DOI：10.1016/j.jenvman.2021.114359.

[34] ZHANG J H， LI F W， SHEN S X， et al. More simple， efficient and accurate food research promoted by intermolecular interaction approaches： a review[J]. Food Chemistry， 2023， 416： 135726. DOI：10.1016/j.foodchem.2023.135726.

[35] SHAPAVAL V， SCHMITT J， M?RETR? T， et al. Characterization of food spoilage fungi by FTIR spectroscopy[J]. Journal of Applied Microbiology， 2013， 114（3）： 788-796. DOI：10.1111/jam.12092.

[36] CHENG J H， SUN D W. Partial least squares regression （PLSR） applied to NIR and HSI spectral data modeling to predict chemical properties of fish muscle[J]. Food Engineering Reviews， 2017， 9（1）： 36-49. DOI：10.1007/s12393-016-9147-1.

[37] ZHANG Z P， SUN Y， SANG S Y， et al. Emerging approach for fish freshness evaluation： principle， application and challenges[J]. Foods， 2022， 11（13）： 1897. DOI：10.3390/foods11131897.

[38] ZHANG F， KANG T H， SUN J F， et al. Improving TVB-N prediction in pork using portable spectroscopy with just-in-time learning model updating method[J]. Meat Science， 2022， 188： 108801. DOI：10.1016/j.meatsci.2022.108801.

[39] 韓愛云， 張振冉， 解立斌， 等. 拉曼光譜技術在肉類摻假檢測方面的應用研究進展[J]. 肉類研究， 2021， 35（7）： 50-54. DOI：10.7506/rlyj1001-8123-20210316-073.

[40] JAAFREH S， VALLER O， KREYENSCHMIDT J， et al. In vitro discrimination and classification of microbial flora of poultry using two dispersive Raman spectrometers （microscope and Portable Fiber-Optic systems） in tandem with chemometric analysis[J]. Talanta， 2019， 202： 411-425. DOI：10.1016/j.talanta.2019.04.082.

[41] LIU Q S， DONG P C， FENGOU L C， et al. Preliminary investigation into the prediction of indicators of beef spoilage using Raman and Fourier transform infrared spectroscopy[J]. Meat Science， 2023， 200： 109168. DOI：10.1016/j.meatsci.2023.109168.

[42] WANG K Q， YUE Z L， LIN H， et al. Rapid classification of the freshness grades of sea bass （Lateolabrax japonicus） fillets using a portable Raman spectrometer with machine learning method[J]. Microchemical Journal， 2023， 192： 108948. DOI：10.1016/j.microc.2023.108948.

[43] LIU S J， ZHU Y D， ZHAO L J， et al. Characteristic substance analysis and rapid detection of bacteria spores in cooked meat products by surface enhanced Raman scattering based on Ag@AuNP array substrate[J]. Analytica Chimica Acta， 2024， 1308： 342616. DOI：10.1016/j.aca.2024.342616.

[44] WANG Y M， FANG L R， WANG Y H， et al. Current trends of Raman spectroscopy in clinic settings： opportunities and challenges[J]. Advanced Science， 2024， 11（7）： e2300668. DOI：10.1002/advs.202300668.

[45] ELMASRY G， KAMRUZZAMAN M， SUN D W， et al. Principles and applications of hyperspectral imaging in quality evaluation of agro-food products： a review[J]. Critical Reviews in Food Science and Nutrition， 2012， 52（11）： 999-1023. DOI：10.1080/10408398.2010.543495.

[46] SONI A， DIXIT Y， REIS M M， et al. Hyperspectral imaging and machine learning in food microbiology： developments and challenges in detection of bacterial， fungal， and viral contaminants[J]. Comprehensive Reviews in Food Science and Food Safety， 2022， 21（4）： 3717-3745. DOI：10.1111/1541-4337.12983.

[47] LU G L， FEI B W. Medical hyperspectral imaging： a review[J]. Journal of Biomedical Optics， 2014， 19（1）： 10901. DOI：10.1117/1.JBO.19.1.010901.

[48] LI H H， KUTSANEDZIE F， ZHAO J W， et al. Quantifying total viable count in pork meat using combined hyperspectral imaging and artificial olfaction techniques[J]. Food Analytical Methods， 2016， 9（11）： 3015-3024. DOI：10.1007/s12161-016-0475-9.

[49] ZHAO J X， MEHMOOD A， DONG Q L， et al. Rapid assessment of chilled chicken spoilage based on hyperspectral imaging technology and AdaBoost-RT[J]. Food Analytical Methods， 2023， 16（9）： 1504-1511. DOI：10.1007/s12161-023-02501-9.

[50] QIU R C， ZHAO Y L， KONG D D， et al. Development and comparison of classification models on VIS-NIR hyperspectral imaging spectra for qualitative detection of the Staphylococcus aureus in fresh chicken breast[J]. Spectrochimica Acta Part A： Molecular and Biomolecular Spectroscopy， 2023， 285： 121838. DOI：10.1016/j.saa.2022.121838.

收稿日期：2024-09-02

基金項目：國家自然科學基金面上項目（32470009）；國家科技重大專項（2024ZD1000603）

第一作者簡介：熊穎涵（2000—）（ORCID： 0009-0006-1170-0661），女，碩士研究生，研究方向為食品工程。

E-mail： 2366797273@qq.com

*通信作者簡介：孫群（1967—）（ORCID： 0000-0002-4372-8865），女，教授，博士，研究方向為食品安全與微生物技術。

E-mail： qunsun@scu.edu.cn