常见的谷物包括小麦、稻谷、玉米、燕麦等,其能够提供丰富的碳水化合物、纤维素、维生素、矿物质等营养成分,是人类维持生命与健康必不可缺的物质资源。但由于自身性质并易受到气象情况、农艺措施等因素的影响,常常会受到真菌毒素的污染,导致谷物不能被食用而造成大量浪费。
真菌毒素是产毒霉菌的代谢产物,主要由曲霉属、青霉属和镰刀菌属的丝状真菌产生[1]。谷物中常见的真菌毒素包括黄曲霉毒素(aflatoxin,AFs)、呕吐毒素(deoxynivalenol,DON)、玉米赤霉烯酮(zearalenone,ZEN)、赭曲霉毒素A(ochratoxin A,OTA)、伏马毒素(fumonisin,FUM)等[2],这些真菌毒素会对人和动物造成急性或慢性的健康相关问题。如AFs会导致肿瘤、免疫抑制和肝脏问题等疾病[1];DON中毒的常见症状是恶心、呕吐、腹泻、采食量和生长障碍、皮肤炎症、肺和脑出血以及免疫功能改变[3];摄入FUM会导致马出现神经毒性疾病,猪出现肺水肿[4]等。
在不同的环境条件下,真菌毒素可能会大量积累,因此关于毒素的预测,以及毒素脱毒技术就显得十分重要,对毒素防治方面具有重要意义。本文主要从模型使用的影响因素复杂程度综述了近年毒素预测模型和脱毒技术的研究进展(图1),并结合毒素的影响因素,给出“预测-控制”的相关建议,希望对后续研究人员有一定的帮助。
图1 谷物中常见真菌毒素预测及脱毒技术
Fig.1 Prediction and detoxification techniques of common fungal toxins in grains
1 影响谷物真菌毒素含量的主要因素
谷物无论是在田间生长时期还是储藏环节,始终面临着真菌侵染与毒素污染的风险。在田间,湿度、温度及农事操作等因素均可促进霉菌滋生;入仓后,储藏环境、自身品质等因素更是决定了毒素是否会积累(图2)。此类污染不仅导致谷物品质劣变,更会产生真菌毒素等有害代谢产物,严重威胁人畜健康与食品安全。
图2 田间和储藏过程对真菌生长及其代谢的影响
Fig.2 Effects of field and storage processes on fungal growth and metabolism
1.1 田间因素
1.1.1 气候因素
气候是影响真菌生命周期阶段及其在作物中定植、生存和产生毒素能力的最重要农业生态系统因素[5]。降水量、温度、湿度等气候因素是影响真菌毒素污染的主要因素。在降水量方面,较多降水与DON和ZEN的高发生率有关,例如降水量增加导致塞尔维亚和克罗地亚的玉米中镰刀菌霉菌毒素的流行率增加,极端降水甚至可导致玉米中DON、ZEN及其衍生物达到100%污染率[6-7]。此外,雨湿条件有利于镰刀菌生长和毒素合成,如2014年和2016年多雨天气显著促进了塞尔维亚和克罗地亚地区镰刀菌代谢物的积累[8]。平均降水水平也与T-2/HT-2毒素浓度呈正相关,降水量越高,毒素污染越严重[9]。
温度是另一关键气候因子,直接影响真菌侵染和毒素合成过程[10]。黄曲霉的发生率在更热更干燥的地区显著升高,例如肯尼亚东部高温干旱条件下土壤中黄曲霉污染更为严重[11]。实际监测也表明,炎热干燥天气导致AFs污染率从平常的不足20%骤升至84%[12]。
除降水量和温度外,还有其他气候因素(如湿度等)也会影响真菌含量的变化。如孕穗至抽穗开花期遇到阴雨和高湿天气会显著增加燕麦中DON的积累风险[13];冬小麦开花前后较高的相对湿度(relative humidity,RH)与DON浓度呈高度正相关,表明高湿环境极大地促进了毒素的形成[14]。这些气候因素不仅独立发挥作用,相互作用对毒素的积累也有显著相关性。
1.1.2 农艺因素
近年农艺因素与真菌毒素污染之间的关联日益受到关注,多项研究揭示了不同农业管理措施对真菌侵染及产毒水平的显著影响。
耕作方式是影响真菌毒素污染的关键农艺因素之一。有机种植常常表现出较低的真菌毒素污染水平,这可能是由于更广泛的作物轮作和犁地措施有效降低了田间接种体潜力[15]。不同的耕作方式如犁耕与条播可显著影响毒素积累程度[16],如额外切碎前一季玉米残留物可降低田间镰刀菌发生率和DON含量[17];采用板耕法种植的青贮玉米中DON浓度低于免耕处理[18]。免耕土壤中真菌孢子污染水平甚至可比传统耕作土壤高92.9%,进一步证明耕作方式对毒素污染具有重要调控作用[19]。
作物品种选择也对真菌毒素污染水平具有明显影响,不同基因型品种对毒素感染的抗性存在差异。BERNHOFT等[20]发现常见谷物品种之间在霉菌毒素和镰刀菌发生率方面存在统计学上显著差异。
此外,谷物播种时间也会对真菌污染的可能性和程度造成影响[21],收获时间也被证明与真菌毒素积累呈显著相关[22]。对于生长期的农艺管理十分重要,例如在谷物灌浆期采取适当措施减轻干旱或高温胁迫,可显著降低AFs污染风险[23]。除此之外,在合适的时候使用杀虫剂、添加化肥等农艺措施也会对田间真菌群落结构和真菌毒素污染水平造成一定影响。
1.1.3 土壤特性
土壤特性是影响真菌群落分布及产毒行为的关键环境因子,其中土壤质地、pH值与化学元素(如铜、磷)含量是真菌操作分类单元跨群体分布模型中的重要变量[24]。作为一种固有属性,土壤质地直接影响了田间真菌的群落组成结构。
有研究表明,土壤特性与AFs和FUM的污染相关。土壤中碳酸钙含量与AFs污染呈负相关,低碳酸钙区域通常对应较高的AFs污染水平[25-26]。在FUM污染方面,研究发现其发生与土壤含水量、有效持水量和高粘粒含量密切相关[25]。这可能是由于富含粘土的土壤与有机质结合力强,有助于土壤团聚、土壤肥力和阳离子交换,可以影响微生物的生长和繁殖,从而影响毒素的产生。
近年来土壤特性已在真菌毒素预测模型中使用。常用的物理土壤特性特征是持水能力、饱和导水率、体积密度及土壤质地(沙粒、粉粒、粘粒含量);化学特征包含碳酸钙含量、阳离子交换能力、电导率、pH值和有机质含量等[27]。这些参数共同增强了模型对区域毒素污染风险的预测能力。
1.2 储藏因素
1.2.1 谷物品质
谷物入仓时自身品质是决定其储藏稳定性和抗霉变能力的内在基础。水分含量(moisture content,MC)是重要因素之一,其是决定其水分活度的主要变量,而水分活度是评估微生物水分可利用性的关键指标,比单纯的MC更能预测霉变风险[28]。当水分活度超过霉菌生长的临界阈值(0.7)时,便会为其繁殖产毒创造必要条件。例如,小麦中水分利用率增加到MC的15%～19%(对应水分活度0.75～0.85)时,腐烂真菌(如木霉、曲霉和青霉)会开始生长[29]。水分活度的变化甚至是影响某些毒素(如T-2和HT-2毒素)产量的主要控制因素[30]。
其次,谷物的破损程度是另一关键因素,机械损伤破坏了谷粒的天然保护屏障,使其为霉菌提供侵袭入口和营养来源,增加了毒素污染的风险与速度。此外,谷物自身的营养成分差异也决定了毒素产生的差异。这些初始品质共同影响了储藏期间毒素的发生与发展。
1.2.2 生物因子
生物因素与毒素的产生有直接关系,其活动直接导致了毒素的积累。对于微生物,特别是霉菌(如黄曲霉、寄生曲霉和禾谷镰刀菌),在合适条件下会直接生成具有毒性的霉菌毒素。虫害则通过多种方式与微生物之间产生协同效应,促进毒素污染。其不仅通过携带霉菌孢子造成交叉污染,还通过取食与排泄活动导致粮堆局部温湿度显著升高,创造有利于霉菌生长的微环境。同时,害虫啃食会造成谷物表皮破损,使霉菌更易入侵。
1.2.3 环境因子
生物因素的活动程度受环境因素调控和触发,这也是储藏管理中可进行人工干预的重要环节。温度是主要环境因素,直接调控所有生物酶的活性,大多数产毒霉菌在25～35 ℃的中温环境下活动最为活跃。其次是湿度,与谷物水分的动态平衡有关,仓房气密性差、密封不严或外界湿气侵入可能导致粮食吸湿返潮,可能发生局部结露,形成致命的霉变“热点”。除此之外,气体成分也是影响微生物的主要因素之一,特别是对真菌区系,因为真菌通常对低氧浓度十分敏感[31]。同时,CO2浓度也是至关重要的,FLEURAT-LESSARD [32]建议,对于全球质量变化的建模和预测,可以将二氧化碳产生率用作“可贮存性风险因素”。
2 谷物中真菌毒素含量预测模型的构建
谷物中真菌毒素主要预测模型方法包括以下三类。1)回归模型(如线性回归、逻辑回归):这类模型优势在于能够精准识别对真菌毒素产生起关键作用的环境变量,并构建变量间的线性或非线性关系,适用于影响因素较为明确、数据规模相对有限的场景;2)机理模型:该模型以真菌自身的生长代谢与产毒的生物学过程为理论基础,通过对温度、湿度、氧气含量等环境参数的动态监测,来模拟预测毒素在谷物中的累积规律,其特点是具有较强的机理解释性;3)机器学习模型(如随机森林、支持向量机和神经网络):这类模型在处理高维度、非线性的复杂数据方面展现出独特优势,尤其适用于整合气象、土壤、遥感监测以及农艺操作记录等多源大数据进行综合建模,能够有效捕捉不同特征变量之间的复杂交互关系,从而显著提升预测的准确性和可靠性。
为进一步优化模型性能,集成学习方法(如Stacking)被广泛应用,即通过组合多个模型来增强模型的泛化能力,提高了对多变农业环境中毒素污染的预测准确性。
2.1 田间真菌毒素预测模型的构建研究
随着大数据的快速发展,对于收获前预测模型构建已逐渐从仅基于少数简单因素的回归模型,转向融合多因素的复杂模型。
相应地,模型的目标也更倾向于对污染程度进行分类(如高、中、低),而非给出具体数值,从而提高了模型的泛化能力,使其更适应多变的气候条件(图3)。
图3 基于影响因素复杂程度的田间预测模型构建路径[33-40]
Fig.3 Construction path of field prediction model based on the complexity of influencing factors[33-40]
注:黄曲霉毒风险指数(aflatoxin risk index,ARI)。
回归预测模型是广泛研究的一种预测模型,BIRR等[33]在德国北部实验田对3种不同感病性(高感、中-高感、低-中感)的小麦品种进行了试验,基于开花期累积降水量、平均温度及两者交互项,分别建立了针对DON和ZEN污染的多元回归模型。3个模型均表现出较高的预测性能(模型1:DON的R2=0.89,ZEN的R2=0.91;模型2:DON的R2= 0.91,ZEN的R2=0.84;模型3:DON的R2=0.86,ZEN的R2=0.89)。与选择简单的气候因素相比,有学者选择更多气候因素进行建模,MARZEC-SCHMIDT等[34]在瑞典引入了温度、降水、湿度、风速、风向及作物全生育期日期等信息;在立陶宛使用了温度、降水、湿度和开花日期;在波兰则结合温度、降水和冬小麦物候数据,分别基于决策树、随机森林及支持向量机(采用线性与径向基核函数)建立了燕麦、春大麦、春小麦及冬小麦中 DON 污染的预测模型,对高污染水平的预测准确率达到70%～81%。
为进一步提高预测精度,一些研究人员开始融入遥感与卫星图像数据。CASTANO-DUQUE等[35]利用美国伊利诺伊州10余年的玉米霉菌数据(AFs和 FUM),结合气象数据、卫星影像数据(如植被指数和经纬度)以及特征工程方法,采用梯度提升机(gradient boosting machine,GBM)和贝叶斯网络(Bayesian network,BN)进行建模,总体准确率达94%,其中GBM表现更优。BRANSTAD-SPATES等[36]使用了爱荷华州的天气、植物性状、土壤属性与FUM数据构建GBM模型,对该州FUM污染的总体预测准确率为85.39%。WANG等[37]整合物候、气象和卫星影像等数据,利用随机森林模型对欧洲不同区域小麦中6种真菌毒素的污染等级(低、中、高)进行预测,模型内外部验证精度均高达0.90～0.99。
此外,还有学者往模型中添加了土壤特性和农艺因素,CAMARDO LEGGIERI等[38]在意大利北部选取了温度、RH、降雨、土壤类型、耕作方式、播种与收获日期、冰雹、风况、施肥类型、灌溉次数及病虫害防治措施等多个变量,基于深度神经网络(deep neural network,DNN)构建了黄曲霉毒素B1(aflatoxin B1,AFB1)和FUB的毒素预测模型,准确率均超过75%。BRANSTAD-SPATES等[39]基于气象、卫星和土壤数据,采用GBM与特征工程方法,对爱荷华州玉米中AFs的2种风险阈值(20 μg/kg和 5 μg/kg)进行预测,总体准确率分别为96.77%和90.32%,但在高污染事件检测中灵敏度较低。该研究还指出,不同生长时期的AFs风险指数及纬度对风险阈值具有影响。具体见表1。
表1 谷物田间真菌毒素含量的相关预测模型
Table 1 Relevant prediction models for fungal toxin content in cereal field
序号毒素种类粮种建立地区模型类别相关指标准确率(R2)参考文献1AFs、FUM玉米美国GBM-神经网络混合模型土壤特征数据、遥感卫星反射率数据、天气数据>92%[25]2AFs玉米美国物候模型、GBM、BN天气数据、ARI、土壤特性、卫星数据(植被指数、经纬度)73%[27]3DON、ZEN小麦 德国多元回归模型累积PREC (precipitation,降水量)、日平均温度>0.84[33]4DON小麦、燕麦、大麦瑞典、立陶宛、波兰决策树、随机森林、线性核支持向量机、径向基函数核支持向量机PREC、RH、日最高气温、日最低气温、日平均气温、WS、WD、蒸气压差(vapor pressure deficit, VPD)70%～81%[34]5AFs、FUM玉米美国GBM、BN天气数据、卫星数据、特征工程(生长季节之间的输入特征等)94%[35]6FUM玉米美国GBM天气数据、植被指数、土壤特性等85.39%[36]7多种毒素小麦欧洲随机森林物候数据、天气数据、卫星图像0.90～0.99[37]8AFB1、FBS玉米意大利DNN模型、机理模型天气数据、农艺数据>75%[38]9AFs玉米美国GBM气象、卫星和土壤特性等数据50%～96.77%[39]10AFs、FUM玉米塞尔维亚集成建模(机理建模与人工智能中BN相结合)ARI、经纬度、天气数据>70%[40]
2.2 储藏环节毒素预测模型的构建研究
收获后模型的构建,一般选取仓内温度、RH、CO2浓度等影响因素,可以通过智能化手段获取这些数据,开发真菌毒素预测模型后,能够更加方便的对真菌毒素含量进行实时监测与校正,便于及时处理异常粮情(图4)。
A-影响因素采集;B-实仓实时监测
图4 预测模型影响因素采集及实仓实时监测[41-42]
Fig.4 Collection of influencing factors for the prediction model and real-time monitoring of the actual warehouse[41-42]
CUI等[41]结合温度/RH/MC/CO2多参数集成传感器的实际监测参数,进行毒素预测模型的构建,RH数据因不显著而去除,模型由温度、MC和CO2浓度通过多元线性回归(multiple linear regression,MLR)模型来构建,DON和ZEN 2种毒素的准确率/R2分别是DON预测准确率达98.15%(R2=0.990)、ZEN达90.74%(R2=0.982)。KIM等[42]在实验室的密闭容器中进行不同环境条件下的小麦储藏,使用组合的CO2、温度和RH传感器模块获取对应数据,将获取的数据处理成呼吸速率,并进行小麦图像的采集,再使用紧凑卷积变换器(compact convolutional transformer,CCT)模型根据呼吸速率的变化和可见霉菌的外观,将谷物分为三类:健康、初期和污染,该模型的准确率为83.33%。
有研究将微生物相关因素也加入储藏毒素预测模型中,熊科等[43]采用一级模型中Gompertz和Baranyi模型拟合菌株生长,并基于其关键参数建立多项式二级模型构建出最适Polynomial二级模型可以有效估计不同外界条件下菌株生长速率。进一步应用线性Logistic概率模型,准确预测了97.7%的稻米和96.5%的小麦储藏污染情况。这会给后面建立储藏预测模型提供了新思路。
伴随分子生物学研究的深入,通过检测真菌毒素前体物质实现预警与控制已成为当前研究热点。谷物中的微生物在生长过程中会分泌多种必需酶类[如淀粉酶、蛋白酶、过氧化氢酶(catalase,CAT)等],这些酶的含量能够有效表征微生物活动的强弱及数量水平。TIAN等[44]基于特征光谱和纹理信息,采用联合偏最小二乘法建立了CAT活性的无损预测模型,并且建立了CAT-AFB1关联的预警模型对储藏玉米受AFB1污染进行预警,保护储藏玉米安全。具体见表2。
表2 谷物储藏环节真菌毒素的预测模型
Table 2 Prediction model of mycotoxins in grain storage
序号毒素种类粮种建立地区模型类别相关指标准确率(R2)参考文献1DON、ZEN小麦中国MLR温度、CO2含量、籽粒MC、RH98.15%/0.990[41]2DON、AFs小麦韩国CCT模型CO2浓度、温度、RH83.33%[42]3AFB1、DON稻米、小麦中国Gompertz模型和Baranyi模型结合Logistic模型菌落数>96.5%[43]4AFB1玉米中国联合最小偏二乘法模型特征光谱、纹理信息0.924[44]5多种毒素玉米坦桑尼亚RESNET 152模型玉米表面图像89%[45]
3 预测与控制策略
3.1 田间的预测与控制
田间毒素预测的主要目的是提前评估农作物受真菌毒素污染的风险,通过分析天气、作物生长状况和田间管理等因素,在毒素实际大量产生和积累之前发出预警。该方法可以使农业生产者能够及时采取针对性措施,从而有效降低污染水平,从源头上保障农产品质量和安全,减少经济损失。如利用建立的小麦毒素模型预测结果,可以提供给农民,在开花期喷洒杀菌剂,以降低收获时小麦籽粒中的真菌毒素含量[40](图5)。本节结合相关影响因素和脱毒技术的最新研究,提供相关建议。
图5 田间真菌毒素风险预测及管控流程[25,27,33-40]
Fig.5 Risk prediction and control process of fungal toxins in the field[25,27,33-40]
在种植前,应该注意土地的轮作和种子的选择、播种时间选择等因素。作物的残留物含有丰富营养物质,有利于真菌的生长。如果不进行轮作,上一作物残留的真菌会影响新作物,并大大提高新作物真菌的感染机率,除去残留物或通过犁田覆盖残留物有利于降低新作物真菌感染机率[46]。此外,有学术研究发现与玉米或小麦作为前茬作物相比,大豆作为前茬作物可以降低小麦中的赤霉病和DON水平[47]。健康的种子或通过育种培育具有抗菌的种子是防御真菌感染的良好途径。例如CHAUDHARY等[48]研究了不同小麦品种中小麦基因型对玫瑰菌生物防治叶枯病效果的调控作用,为设计“抗病-生防协同优化”的育种策略提供了理论依据,但还需要田间实验加以证明。
在生长期,通过预测模型预测谷物出现感染后,可以通过灌溉或喷洒杀菌剂来防治。通过灌溉抑菌,一般是抑制AFs的爆发,因为气温上升、干旱和降雨模式的变化越来越有利于作物中AFs真菌的生长和收获前AFs污染[49]。但杀菌剂抗性的增加和杀菌剂残留在环境中的积累,对环境和人会产生危害。因此,生物防治剂(biological control agent, BCA)是现阶段的研究优势,GIMENO等[50]在瑞士田间的实验中发现,喷洒玫瑰菌中分离株SHA77.3的油基配方可以降低测试的小麦中小麦赤霉病(fusarium head blight, FHB)发生和降低DON的含量。
等[51]在2021和2022年分别在玉米田间试验中使用哈茨木霉菌179 BCA,与未做处理田间相比,做过处理会使病原感染率降低。
在收获时,可通过预测模型预估收获的谷物情况,及时针对性的进行处理,如及时干燥或通过其他方法进行抑制毒素产生。若真菌毒素超标,则用于饲料或其它工业途径,以避免造成更大的经济损失。
3.2 储藏环节的预测与控制
谷物在仓内储藏期间,使用毒素预测模型可以及时的发现毒素生成风险,将“事后检测”转变为“事前防控”:当监测到仓储环境达到真菌毒素代谢临界点,系统自动触发预警并指导干预措施(如定向通风、降温、降水、气调等),从源头阻断毒素的合成(图6)。若通过模型检测到一定范围的毒素时,可以立即对其进行处理,防止毒素超标并减少后续储藏成本。遗憾的是,目前关于仓内毒素超标后应如何利用现有技术有效降低其含量的系统资料较为有限。此外有学者提出在储藏真菌的生防研究中,应该考虑到在谷物中定殖的微生物种群是有效的BCA的来源[52],这可以作为储藏生物防治的主要方向。
图6 储藏环节谷物真菌毒素智能监测与管控闭环设想流程图[41-45]
Fig.6 Proposed closed-loop flow chart for intelligent monitoring and control of grain fungal toxins in the storage process[41-45]
此外,预测模型本身可以从第1防线,即在条件满足毒素爆发前开始采取抑制措施;第2条防线,在毒素没超相关标准法规限量前进行处理,如改变储藏条件、进行晾晒等;第3条防线,可以选择加工这条途径。众所周知,被污染的谷物大多数毒素都聚集在胚芽和麸皮中,若在加工过程中通过物理研磨或其他新技术把这些部分去除,则有可能使被污染谷物更放心食用。
3.3 谷物中真菌毒素的脱除
3.3.1 生物脱毒法
生物学脱毒方法是通过微生物产生次级代谢产物(如分泌酶)来降解真菌毒素和利用微生物吸附毒素。微生物降解真菌毒素与传统物理或化学处理手段相比,其优势是避免二次污染风险,并且仅需温和的反应条件即可实现高效降解,同时最大限度保留物料营养价值。
XIANG等[53]通过优化发酵条件,枯草芽孢杆菌ZENL09发酵上清液与ZEN反应12 h后,ZEN降解率可达88%左右。XIAO等[54]通过实验证明库德里阿兹威毕赤酵母E4-205 可以通过细胞壁吸附DON,并以NADH 为辅因子通过细胞内酶降解DON。HU等[55]从土壤中分离出一种ZEN 降解菌株,并将其鉴定为红球菌HQ。并发现其中zenR是红蜂HQ降解ZEN的关键基因,其表达产物为玉米赤霉烯酮水解酶(ZenR)。含有ZenR的重组芽孢杆菌发酵液可以有效地应用于液化玉米样品,ZEN去除率达到93%。GUO等[56]研究了地衣芽孢杆菌孢子CotA 漆酶单独或氧化还原介质存在下的ZEN解毒潜力。为了提高催化效率,实现酶的循环利用,将CotA漆酶固定在壳聚糖微球上。比较玉米粕中游离和固定化CotA漆酶的ZEN降解能力。游离和固定化CotA漆酶对玉米粉中ZEN的去除率分别为 70% 和 90%。同时,固定化酶在连续3个循环后可以在玉米粉中实现54%的ZEN降解。
3.3.2 纳米材料脱毒技术
金属、类金属等的纳米材料具有抗菌、抗氧化等功能,其缓解霉菌毒素中毒的有效性备受关注。目前,基于纳米材料脱除真菌毒素主要有2种策略,分别为降解和吸附[57]。降解是利用纳米材料自身的催化活性或作为酶/催化剂的载体,触发氧化还原等化学反应,将毒素分子分解为低毒或无毒的代谢产物。吸附则是指通过纳米材料巨大的比表面积、丰富的表面官能团或特异性设计的孔道结构,通过物理作用(如范德华力)或化学作用(如氢键)将毒素分子固定在其表面,从而将其从食品或饲料中分离去除。
SAVI等[58]研究发现,0.1 mg/mL介孔纳米氧化硅可以吸附30%的AFB1,质量浓度增加到2.0 mg/mL时可以在15 min内吸附70%的AFB1。DAI等[59]制备了聚多巴胺修饰纳米纤维膜(polydopamine modified nanofibers membrane,PDA-PS NFsM)用于吸附去除多种液体食品中的AFs。该纳米膜应用于除高度白酒外的食用油、白醋、酱油等液体食品脱毒中效果优异,在1 h内对AFs的去除率均大于76.5%,且使用后可直接取出。WU等[60]研究了纳米酶(Fe/Mn氧化物)在特定条件下(添加量为0.2%,37～85 ℃,pH 6～7,反应时间1 min),Fe/Mn氧化物的DON降解率在溶液中达到98.46 %;应用于饲料时,使DON含量降低了约49.3%。
3.3.3 光催化脱毒技术
绿色光催化降解因具有脱毒彻底、反应条件温和以及无二次污染等优点在食品领域被广泛关注和发展。其脱毒原理是当光能大于半导体材料带隙能时,光催化剂价带中的电子(e-)跃迁到导带,并会产生带正电的空穴(h+),在e-和h+作用下材料表面能够产生强氧化的自由基,作用于目标毒素。
WU等[61]制备了UCNP@TiO2并在模拟光照下用于小麦中DON光催化降解,光照120 min时,小麦中DON降解率达到69.8%。LI等[62]采用传统热裂解法制备氮化石墨碳(g-C3 N4)进行光催化降解实验,实验表明,在紫外光灯(254 nm,包括185 nm)的照射下,g-C3 N4可以诱导光催化作用。在各优化实验条件下,对主要标准物质ZEN和在实际粉末样品中的ZEN降解率分别为96.0%和50.0%。单晓雪等[63]通过在小麦粉和籽粒中添加TiO2进行试验研究小麦中DON的降解效果,结果表明光照2 h,小麦粉和籽粒实验组降解率提升最快,相对降解率最高;紫外照射6 h,采用紫外光催化TiO2处理时,DON的降解率可达40.0%,仅使用紫外光单独作用时,降解率为32.8%,这说明未经加工的粉状纳米级TiO2在小麦中DON的降解过程中发挥了明显的促进作用。
3.3.4 冷等离子体(cold plasma, CP)脱毒技术
CP的脱毒原理是气体放电激发产生等离子体,通过活性粒子与毒素分子发生氧化反应(如羟自由基攻击毒素官能团)或直接破坏毒素结构,实现脱毒。其缺点是穿透力有限、成本高,优点是具有高效性、无化学残留、可低温操作,并且杀灭微生物的同时可降解毒素,是未来降解毒素技术的良好方向之一。
SOMMA等[64]比较了使用CP的3种不同处理方式对污染玉米粒中AFB1和伏马毒素B1(fumonisin B1, FB1)的脱毒研究,发现CP、等离子体处理气(plasma-treated gas, PTG)、等离子体处理水(plasma-treated water, PTW)中CP、PTG脱毒效果较好。对于气源,O2作为气源比空气的效果更好,其中CP-O2处理20 min使FB1降解最高达到68%,PTG-O2处理20 min 使AFB1降解达到最高为23%。ZHENG等[65]研究了介电势垒放电(dielectric barrier discharge, DBD)CP对玉米中ZEN降解率的影响。结果表明,ZEN降解速率随电压的增加和时间的延长而增加。在50 kV下处理120 s时,ZEN的降解率可达56.57%。XU等[66]研究了大气压冷等离子体(atmospheric cold plasma, ACP)对小麦和玉米的ZEN清除率的影响,和ZHENG等[65]的研究一致,小麦和玉米中ZEN的降解率也会随ACP处理时间的延长而增加。ACP处理20 min后,小麦籽粒和面粉中ZEN的降解率分别为24.12%和50.55%。玉米籽粒和面粉中ZEN的降解率分别为31.53%和58.07%。该实验表明ACP对真菌毒素的降解具有基质效应。
4 展望
谷物中真菌毒素预测模型和脱毒技术近几年发展迅速,随着人工智能的发展,所构建的预测模型引用了越来越详细的影响因素,使其应用效果越来越好。针对真菌毒素预测预警模型,有必要在多因素数据融合、模型可解释性与泛化能力等方面加强研究,特别要关注极端气候变化、土壤微生物群落结构以及储藏环境中气体浓度与品质特性的交互作用等因素的影响。通过深入研究以上影响因素与真菌毒素产生规律的耦合机制,开发适应不同区域特点的迁移学习框架,将有助于构建更加精准、稳健且实用的预测预警系统;同时探索新型脱毒技术在粮堆方向的应用,为实现粮食质量安全全程管控提供预测和防控技术支持。
[1] K
J, BIEL W.Alimentary risk of mycotoxins for humans and animals[J].Toxins, 2021, 13(11):822.
[2] DENG J H, ZHAO M X, JIANG H.Research progress in the detection of mycotoxins in cereals and their products by vibrational spectroscopy[J].Foods, 2025, 14(15):2688.
[3] BORR
S-VALLVERD
B, MAR
N S, SANCHIS V, et al.NIR-HSI as a tool to predict deoxynivalenol and fumonisins in maize kernels:A step forward in preventing mycotoxin contamination[J].Journal of the Science of Food and Agriculture, 2024, 104(9):5495-5503.
[4] CHEN J, WEN J, TANG Y T, et al.Research progress on fumonisin B1 contamination and toxicity:A review[J].Molecules, 2021, 26(17):5238.
[5] PATERSON R R M.Identification and quantification of mycotoxigenic fungi by PCR[J].Process Biochemistry, 2006, 41(7):1467-1474.
[6] 
HAJNAL E, KOS J, 
B, et al.Impact of climate changes on the natural prevalence of Fusarium mycotoxins in maize harvested in Serbia and Croatia[J].Foods, 2023, 12(5):1002.
[7] KOS J, 
T, et al.Climate change and mycotoxins trends in Serbia and Croatia:A 15-year review[J].Foods, 2024, 13(9):1391.
[8] HAJNAL E J, KOS J, MALACHOV
A, et al.Mycotoxins in maize harvested in Serbia in the period 2012-2015.Part 2:Non-regulated mycotoxins and other fungal metabolites[J].Food Chemistry, 2020, 317:126409.
[9] KI
M, 
A, KUDUMIJA N, et al.A two-year occurrence of Fusarium T-2 and HT-2 toxin in croatian cereals relative of the regional weather[J].Toxins, 2021, 13(1):39.
[10] GALLO A, SOLFRIZZO M, EPIFANI F, et al.Effect of temperature and water activity on gene expression and aflatoxin biosynthesis in Aspergillus flavus on almond medium[J].International Journal of Food Microbiology, 2016, 217:162-169.
[11] MONDA E, MASANGA J, ALAKONYA A.Variation in occurrence and aflatoxigenicity of Aspergillus flavus from two climatically varied regions in Kenya[J].Toxins, 2020, 12(1):34.
[12] PLEADIN J, KOS J, B, et al.Aflatoxins in maize from Serbia and Croatia:Implications of climate change[J].Foods, 2023, 12(3):548.
[13] HJELKREM A G R, TORP T, BRODAL G, et al.DON content in oat grains in Norway related to weather conditions at different growth stages[J].European Journal of Plant Pathology, 2017, 148(3):577-594.
[14] BIRR T, HASLER M, VERREET J A, et al.Composition and predominance of Fusarium species causing Fusarium head blight in winter wheat grain depending on cultivar susceptibility and meteorological factors[J].Microorganisms, 2020, 8(4):617.
[15] SCHÖNEBERG T, MARTIN C, WETTSTEIN F E, et al.Fusarium and mycotoxin spectra in Swiss barley are affected by various cropping techniques[J].Food Additives &Contaminants:Part A, 2016, 33(10):1608-1619.
[16] BORRS-VALLVERD B, RAMOS A J, CANTERO-MARTNEZ C, et al.Influence of agronomic factors on mycotoxin contamination in maize and changes during a 10-day harvest-till-drying simulation period:A different perspective[J].Toxins, 2022, 14(9):620.
[17] VOGELGSANG S, HECKER A, MUSA T, et al.On-farm experiments over 5 years in a grain maize/winter wheat rotation:Effect of maize residue treatments on Fusarium graminearum infection and deoxynivalenol contamination in wheat[J].Mycotoxin Research, 2011, 27(2):81-96.
[18] MANSFIELD M A, DE WOLF E D, KULDAU G A.Relationships between weather conditions, agronomic practices, and fermentation characteristics with deoxynivalenol content in fresh and ensiled maize[J].Plant Disease, 2005, 89(11):1151-1157.
[19] 
V, BAKUTIS B, 
G, et al.Fungal contamination and Fusarium mycotoxins in cereals grown in different tillage systems[J].Journal of Animal and Feed Sciences, 2011, 20(4):637-647.
[20] BERNHOFT A, TORP M, CLASEN P E, et al.Influence of agronomic and climatic factors on Fusarium infestation and mycotoxin contamination of cereals in Norway[J].Food Additives &Contam inants: Pourt A, 2012, 29(7):1129-1140.
[21] ALMA A, LESSIO F, REYNERI A, et al.Relationships between Ostrinia nubilalis (Lepidoptera:crambidae) feeding activity, crop technique and mycotoxin contamination of corn kernel in northwestern Italy[J].International Journal of Pest Management, 2005, 51(3):165-173.
[22] TORELLI E, FIRRAO G, BIANCHI G, et al.The influence of local factors on the prediction of fumonisin contamination in maize[J].Journal of the Science of Food and Agriculture, 2012, 92(8):1808-1814.
[23] CHAUHAN Y S, WRIGHT G C, RACHAPUTI N C.Modelling climatic risks of aflatoxin contamination in maize[J].Australian Journal of Experimental Agriculture, 2008, 48(3):358-366.
[24] CLOUTIER M L, MURRELL E, BARBERCHECK M, et al.Fungal community shifts in soils with varied cover crop treatments and edaphic properties[J].Scientific Reports, 2020, 10:6198.
[25] CASTANO-DUQUE L, WINZELER E, BLACKSTOCK J M, et al.Dynamic geospatial modeling of mycotoxin contamination of corn in Illinois:Unveiling critical factors and predictive insights with machine learning[J].Frontiers in Microbiology, 2023, 14:1283127.
[26] CHANG C M, LYND J Q.Soil microfloral interactions with aflatoxin synthesis and degradation[J].Mycologia, 1970, 62(5):978-986.
[27] CASTANO-DUQUE L, AVILA A, MACK B M, et al.Prediction of aflatoxin contamination outbreaks in Texas corn using mechanistic and machine learning models[J].Frontiers in Microbiology, 2025, 16:1528997.
[28] MANNAA M, KIM K D.Influence of temperature and water activity on deleterious fungi and mycotoxin production during grain storage[J].Mycobiology, 2017, 45(4):240-254.
[29] MAGAN N, ALDRED D.Post-harvest control strategies:Minimizing mycotoxins in the food chain[J].International Journal of Food Microbiology, 2007, 119(1-2):131-139.
[30] MEDINA A, MAGAN N.Temperature and water activity effects on production of T-2 and HT-2 by Fusarium langsethiae strains from north European countries[J].Food Microbiology, 2011, 28(3):392-398.
[31] ARORA D, BRIDGE P, BHATNAGAR D.The role of spoilage fungi in seed deterioration[M].Fungal Biotechnology in Agricultural, Food, and Environmental Applications.Boca Raton:CRC Press, 2003:28.
[32] FLEURAT-LESSARD F.Qualitative reasoning and integrated management of the quality of stored grain:A promising new approach[J].Journal of Stored Products Research, 2002, 38(3):191-218.
[33] BIRR T, VERREET J A, KLINK H.Prediction of deoxynivalenol and zearalenone in winter wheat grain in a maize-free crop rotation based on cultivar susceptibility and meteorological factors[J].Journal of Plant Diseases and Protection, 2019, 126(1):13-27.
[34] MARZEC-SCHMIDT K, BÖRJESSON T, SUPRONIENE S, et al.Modelling the effects of weather conditions on cereal grain contamination with deoxynivalenol in the Baltic Sea Region[J].Toxins, 2021, 13(11):737.
[35] CASTANO-DUQUE L, VAUGHAN M, LINDSAY J, et al.Gradient boosting and Bayesian network machine learning models predict aflatoxin and fumonisin contamination of maize in Illinois-First USA case study[J].Frortiers in Microbiology, 2022, 13:1039947.
[36] BRANSTAD-SPATES E, CASTANO-DUQUE L, MOSHER G, et al.Predicting fumonisins in iowa corn:Gradient boosting machine learning[J].Cereal Chemistry, 2024, 101(6):1261-1272.
[37] WANG X X, LIU C, VAN DER FELS-KLERX H J.Regional prediction of multi-mycotoxin contamination of wheat in Europe using machine learning[J].Food Research International, 2022, 159:111588.
[38] CAMARDO LEGGIERI M, MAZZONI M, BATTILANI P.Machine learning for predicting mycotoxin occurrence in maize[J].Frontiers in Microbiology, 2021, 12:661132.
[39] BRANSTAD-SPATES E H, CASTANO-DUQUE L, MOSHER G A, et al.Gradient boosting machine learning model to predict aflatoxins in Iowa corn[J].Frontiers in Microbiology, 2023, 14:1248772.
[40] LIU N J, LIU C, DUDA T N, et al.Improved aflatoxins and fumonisins forecasting models for maize (PREMA and PREFUM), using combined mechanistic and bayesian network modeling: Serbia as a case study[J].Frontiers in Microbiology, 2021, 12:643604.
[41] CUI H, WANG S S, YANG X, et al.Predictive models for assessing the risk of Fusarium pseudograminearum mycotoxin contamination in post-harvest wheat with multi-parameter integrated sensors[J].Food Chemistry:X, 2022, 16:100472.
[42] KIM Y, KANG S, AJANI O S, et al.Predicting early mycotoxin contamination in stored wheat using machine learning[J].Journal of Stored Products Research, 2024, 106:102294.
[43] 熊科, 裴鹏钢, 王小艺, 等.稻米、小麦贮藏阶段微生物生长与毒素产生预测模型研究[C].中国食品科学技术学会第十八届年会摘要集.北京:北京工商大学, 2022:57-58.XIONG K, PEI P G, WANG X Y, et al.Predictive models for microbial growth and toxin production during storage of rice and wheat[C].Abstracts of the 18th Annual Conference of Chinese Institute of Food Science and Technology.Beijing:Beijing Technology and Business University, 2022:57-58.
[44] TIAN X, YAO J, YU H S, et al.Early contamination warning of aflatoxin B1 in stored maize based on the dynamic change of catalase activity and data fusion of hyperspectral images[J].Computers and Electronics in Agriculture, 2024, 217:108615.
[45] LEO J.Segmentation of mycotoxin's contamination in maize:A deep learning approach[J].Informatics in Medicine Unlocked, 2023, 39:101248.
[46] HABSCHIED K, 
Z, et al.Mycotoxins biocontrol methods for healthier crops and stored products[J].Journal of Fungi, 2021, 7(5):348.
[47] DILL-MACKY R, JONES R K.The effect of previous crop residues and tillage on Fusarium head blight of wheat[J].Plant Disease,2000, 84:71-76.
[48] CHAUDHARY S, ZAKIEH M, DUBEY M, et al.Plant genotype-specific modulation of Clonostachys rosea-mediated biocontrol of Septoria tritici blotch disease in wheat[J].BMC Plant Biology, 2025, 25:576.
[49] BEREZIARTUA A, HUSS A, KERS J G, et al.Pre-harvest aflatoxin contamination in crops and climate change factors:A European overview[J].Toxins, 2025, 17(7):344.
[50] GIMENO A, LEIMGRUBER M, K
GI A, et al.UV protection and shelf life of the biological control agent Clonostachys rosea against Fusarium graminearum[J].Biological Control, 2021, 158:104600.
[51] 
I, 
ŽIVANOV S, et al.Trichoderma harzianum in biocontrol of maize fungal diseases and relevant mycotoxins:From the laboratory to the field[J].Journal of Fungi, 2025, 11(6):416.
[52] MANNAA M, KIM K D.Microbe-mediated control of mycotoxigenic grain fungi in stored rice with focus on aflatoxin biodegradation and biosynthesis inhibition[J].Mycobiology, 2016, 44(2):67-78.
[53] XIANG M X, LIU P, ZHANG H, et al.In vitro degradation of zearalenone by culture supernatant of Bacillus subtilis[J].Food and Bioprocess Technology, 2024, 17(8):2206-2215.
[54] XIAO J Q, TAN J, GUO R Y, et al. Deoxynivalenol detoxification by a novel strain of Pichia kudriavzevii via enzymatic degradation and cell wall adsorption[J]. Applied Biochemistry and Biotechnology, 2024, 196(6):3102-3114.
[55] HU J Q, DU S L, QIU H, et al.A hydrolase produced by Rhodococcus erythropolis HQ is responsible for the detoxification of zearalenone[J].Toxins, 2023, 15(12):688.
[56] GUO Y P, WANG Y N, LIU Y R, et al.Detoxification of the mycoestrogen zearalenone by Bacillus licheniformis spore CotA laccase and application of immobilized laccase in contaminated corn meal[J].LWT, 2022, 163:113548.
[57] LIN X F, YU W Y, TONG X Y, et al.Application of nanomaterials for coping with mycotoxin contamination in food safety:From detection to control[J].Critical Reviews in Analytical Chemistry, 2024, 54(2):355-388.
[58] SAVI G D, TORRES ZANONI E, SCUSSEL R, et al.Mesoporous silica nanoparticles adsorb aflatoxin B1 and reduce mycotoxin-induced cell damage[J].Journal of Environmental Science and Health, Part B, 2023, 58(1):1-9.
[59] DAI H R, LIANG S H, SHAN D D, et al.Efficient and simple simultaneous adsorption removal of multiple aflatoxins from various liquid foods[J].Food Chemistry, 2022, 380:132176.
[60] WU C M, SONG J P, LIU X Y, et al.Effect of iron-manganese oxide on the degradation of deoxynivalenol in feed and enhancement of growth performance and intestinal health in weaned piglets[J].Ecotoxicology and Environmental Safety, 2024, 286:117246.
[61] WU S J, WANG F, LI Q, et al.Photocatalysis and degradation products identification of deoxynivalenol in wheat using upconversion nanoparticles@TiO2 composite[J].Food Chemistry, 2020, 323:126823.
[62] LI L, SHAN X X, ZHANG Y C, et al.Application in photocatalytic degradation of zearalenone based on graphitic carbon nitride[J].Luminescence, 2022, 37(2):190-198.
[63] 单晓雪, 杨娟, 廖子龙, 等.二氧化钛光催化对小麦呕吐毒素降解效果的研究[J].化学试剂, 2020, 42(9):1088-1092.SHAN X X, YANG J, LIAO Z L, et al. Degradation of wheat vomiting toxin by titanium dioxide photocatalysis[J]. Chemical Reagents, 2020, 42(9): 1088-1092.
[64] SOMMA S, MASIELLO M, HAIDUKOWSKI M, et al. Decontamination of maize kernels and degradation of mycotoxins by means of cold plasmas[J]. LWT, 2025, 215: 117205.
[65] ZHENG Z, NIU L Y, YANG W C, et al.Degradation of zearalenone by dielectric barrier discharge cold plasma and its effect on maize quality[J].Foods, 2023, 12(6):1129.
[66] XU C, LIU M, FAN Y, et al. Application of atmospheric cold plasma for Zearalenone detoxification in cereals: Kinetics, mechanisms, and cytotoxicity analysis[C]. 2024 IEEE International Conference on Plasma Science (ICOPS). IEEE, 2024:1.