粮食作物是人类最基本、最主要的食物来源,是保障全球粮食安全、维护社会稳定和经济支撑的战略基石,但是在其种植、生产加工或贮藏运输环节均可能受到真菌毒素的污染。 被污染的粮食在食物链中逐级传递,对人、畜造成身体损害,部分真菌毒素还可能存在致畸、致癌、致突变等重大危害[1],严重时甚至可能危及生命安全。 截至目前为止已发现的真菌毒素有400 多种,其中300 多种已被证实对人体健康具有危害[2]。
我国每年大约有占总产值6.2% 的粮食在贮存和运输过程中会遭到真菌毒素的污染,是遭受真菌毒素污染最严重的国家之一[3],并且田间和仓储中的真菌毒素污染常为多种毒素共存。 因此,依赖于单一的毒素检测传统模式(如《中华人民共和国药典》2020 年版附录中的主要检测方法高效液相色谱法[4])无法全面评估真实风险。
为确保粮食作物中真菌毒素的含量严格符合国家标准所规定的最大允许水平,避免超标毒素对人体健康造成威胁,就需要通过针对性的检测手段对毒素进行精准检测与含量测定[5]。 当前,我国检测体系面临的核心矛盾在于：实验室检测技术(如LC-MS/MS)的“高精度”与现场快速筛查技术的“高便捷性”之间无法建立联系,且现有方法多侧重于单一毒素,难以应对实际污染中多毒素协同、复合污染的复杂局面。 因此,本文系统综述粮食作物中真菌毒素多重检测方法的研究进展,不仅对比色谱、光谱、免疫学及新型传感器等技术的性能与适用场景,更揭示技术从“单一毒素实验室分析”向“多毒素现场快速筛查”演进的内在规律。 在此基础上,本文创新性探讨“现场初筛-实验室确证-在线监控”一体化智能监测体系的构建路径,推动我国粮食安全监管从“被动应对”转向“主动预警”。
1 粮食作物中常见真菌毒素及检测方法
粮食作物中真菌毒素种类繁多,根据GB 2761—2017《食品安全国家标准食品中真菌毒素限量》标准中规定的常见于粮食中威胁人体健康的真菌毒素有属于曲霉属毒素的黄曲霉毒素B1 (aflatoxin B1,AFB1)和赭曲霉毒素A(ochratoxin A,OTA)、属于镰刀菌属毒素的脱氧雪腐镰刀菌烯醇(deoxynivalenol,DON)、属于镰刀菌属的玉米赤霉烯酮(zearalenone,ZEN)等[6],并将对人体健康威胁较大的常见真菌毒素分类,明确其最大允许含量及常用检测技术(表1)。由于上述毒素常为复合污染,开发能同步检测AFB1、DON、ZEN 等高频共存毒素的方法,成为当前技术发展的迫切需求。 因此本文将围绕如何实现快速精准的检测,展开各类技术的评述。
表1 粮食作物中各类真菌毒素的特性、限量标准及检测方法
Table 1 Characteristics, maximum limits, and detection methods of various mycotoxins in food crops
毒素 主要产毒菌典型毒性易受污染粮食作物GB 2761—2017《食品安全国家标准食品中真菌毒素限量》限量(粮食谷物/可食用部分)多重检测策略AFB1黄曲霉、寄生曲霉 强肝毒性、 IARC Ⅰ类致癌物[7]玉米、花生、小麦、稻谷/大米、豆类玉米≤20 μg/kg;稻谷/糙米/大米≤10 μg/kg;小麦/大麦/其他谷物≤5. 0 μg/kg;小麦粉/麦片/去壳谷物≤5.0 μg/kg LC-MS/MS、HPLC 柱前/柱后衍生法、ELISA AFM1黄曲霉、寄生曲霉(经乳转移)强肝毒性、IARC Ⅰ类致癌物[7]LC-MS/MS、HPLC 荧光检测DON镰刀菌属致吐、刺激黏膜小麦、玉米、 大麦、燕麦乳及乳制品(饲料传染)液态乳≤0.5 μg/kg;婴幼儿配方食品≤0.25 μg/kg燕麦、玉米/玉米面、大麦、小麦、麦片、小麦粉≤1 000 μg/kg LC-MS/MS、HPLC 荧光检测OTA曲霉、青霉肾毒、可能致肾癌、IARC 2B[8-9] 类致癌物LC-MS/MS、HPLC 荧光检测、ELISA ZEN镰刀菌属类雌激素、生殖毒性 小麦、玉米小麦/小麦粉≤60 μg/kg(谷物及其制品)LC-MS/MS、荧光光度法谷物、咖啡豆、葡萄干、香料谷物/谷物碾磨加工品、豆类及制品≤5 μg/kg
注：国际癌症研究机构(International Agency for Research on Cancer,IARC);酶联免疫吸附法(enzyme-linked immunosorbent assay,ELISA)。
2 色谱检测技术在真菌毒素检测中的应用
2.1 薄层色谱(thin layer chromatography,TLC)检测技术
TLC 应用于毒素检测的历史较为久远,它是利用真菌毒素在薄层板上的吸附、分配等特性,在展开剂的作用下,不同的真菌毒素因其移动速度不同而分离成不同的斑点,再通过与标准品对比进行定性和半定量分析[10-11],其原理如图1-A 所示。 TLC 技术一般用于毒素检测的初步筛查,如Sokolovic' m 等[12]从农场收集465 个样本对克罗地亚的谷物和动物饲料进行毒素检测,样品通过薄层色谱分析T-2 毒素、双乙氧基西戊烯醇(dimethoxybenzenes,DAS)和DON,T-2毒素和DAS 的检出限为0.1 mg/kg,DON 的检出限为0.01 mg/kg。 该筛查工作验证了TLC 在现场快速、低成本获取污染情况方面的实用价值。
图1 薄层色谱和液相色谱检测真菌毒素原理
Fig.1 Principles of mycotoxin detection by thin-layer chromatography and liquid chromatography
然而现代痕量毒素检测技术对灵敏度、定量准确度以及自动化水平要求更高,TLC 存在定量准确度及精密度低、重复性差、自动化与高通量能力缺失的短板,仅适用于初筛,无法满足现代毒素痕量检测要求[13]。 未来可以向“图像-比色-扫描”半自动化方向升级创新,用于满足痕量监测的需求。
2.2 HPLC 检测技术
HPLC 检测技术是通过溶剂提取与净化从样品中收集目标毒素[14],经色谱柱分离后,由检测器将目标毒素转化为可量化的信号,然后结合标准曲线计算出毒素准确含量,原理图如1-B 所示。 但是随着农产品基质的复杂化,复杂基质会影响真菌毒素检测的准确性,因此对于检测方法抗干扰能力的要求也在逐步提升。 在此背景下,科研工作者们以液相色谱为基础进行创新性研究,提升了液相色谱技术的检测效率、覆盖范围与抗干扰能力,推动真菌毒素检测技术向“高通量、高灵敏、全覆盖”发展。
在提升多毒素同步检测效率方面,刘坚等[15]建立了二合一免疫亲和柱净化、紫外检测器串联荧光检测器的高效液相色谱,可在25 min 内对小麦中DON和ZEN 进行同步检测。 该方法采用复合免疫亲和柱(可同时特异性吸附ZEN 和DON),与传统的样品前处理方式相比处理时间缩短近40%。 DON 和ZEN的检出限分别为10 μg/kg 和2 μg/kg,加标回收率为85% ～105%,相对标准偏差(relative standard deviation,RSD)小于5%,结果表明在保证灵敏度的前提下该方法显著提升了检测通量。 为了进一步增加检测范围并增强抗基质干扰能力,陈芳芳[16]建立了液液分散式微萃取-高效液相色谱法,根据三相溶剂体系形成乳化微滴原理增加萃取界面,在2 min 内完成对痕量毒素的富集,并有效去除花生中油脂等复杂基质干扰,同时快速检测6 种真菌毒素。 6 种毒素的检出限为0. 03 ～1. 0 μg/kg,加标回收率为82. 5% ～108.7%,RSD 低于8%。 该方法展示了绿色前处理技术与色谱分析相结合在复杂基质多毒素筛查中的应用潜力,为花生等重要经济作物的安全监控提供了低溶剂消耗、高效率的手段。
2.3 LC-MS 检测技术
在多毒素检测覆盖范围上,Zhang[17]等取得新的突破,开发了一种LC-MS/MS 新方法,可以同时检测玉米青贮饲料中的53 种霉菌毒素,采用改良的QuEChERS 前处理法应对复杂基质,并构建了包含53 对特征离子对的动态多反应监测(dynamic multiple reaction monitoring,DMRM)质谱方法,通过精准调配扫描时间,确保了在一次分析中对所有目标物的有效捕获与准确定量。 该方法对其中51 种毒素实现了定量分析(定量限为0.05 ～10 μg/kg),并且成功运用于63 份中国玉米青贮饲料样品的分析,实现了从“单一毒素分析”到“毒素谱全景分析”的跨越。 针对复杂基质中痕量多重毒素的检测需求,Chen 等[18]将HPLC-荧光检测法与分散液-液微萃取法结合,能够有效去除油脂干扰同时测定花生中的6 种真菌毒素(AFB1、AFB2、AFG1、AFG2、OTA 和ZEN),检测限分别为0.1、0.03、0.1、0.03、0.3、1 μg/kg,为高油脂基质中的痕量污染监控提供了更加灵敏可靠手段。 为了提升复杂基质中真菌毒素的检测速率,Lima da等[19]将简单快速的样品制备方法与超高效液相色谱和四极杆Orbitrap 高分辨率质谱(ultra-high performance liquid chromatography and quadrupole orbitrap high-resolution mass spectrometry, UHPLC Q-Orbitrap HRMS)相结合,开发出了能够分析意大利谷物样品中21 种霉菌毒素的新技术。 该技术采用“稀释-注射” 法简化前处理过程,无需净化步骤在10 min 内完成样品制备;Orbitrap 质谱仪提供超过70 000 的高分辨率全扫描功能,实现靶向定量与非靶向的同步筛查;最后依托高分辨质谱数据库,不需要标准品就可快速鉴定法规下缺乏监管的新兴毒素[19]。 与传统方法相比,该技术将分析效率提升21 倍,成功在意大利谷物中检测出恩镰孢菌素等新兴毒素,揭示检测技术从“目标定量”向“风险预警”的逐步演进,为新兴毒素防控提供了高效解决方案。
综上所述,色谱技术的发展呈现出从单一毒素精准定量到多毒素高通量筛查的明确演进路径。 通过免疫亲和柱净化、多检测器串联(紫外/荧光)以及分散液微萃取等新型前处理技术,显著提升方法的多组分检测能力、灵敏度与抗基质干扰性能;与质谱技术的深度融合,解决了检测通量与鉴定能力不足的问题,实现了对数十种毒素同时进行定性、定量与疑似物筛查,将检测能力提升至前所未有的水平。 然而,尽管色谱技术性能强大,但仍面临一个核心问题：“超高检测性能”与“技术普及性” 之间的矛盾。 为了实现该技术从实验室应用走向常规检测,未来研究应聚焦三大核心方向：1)开发绿色、智能化前处理技术,简化流程、减少溶剂使用;2)与微流控芯片技术结合,推动色谱系统向便携化、集成化方向发展;3)利用人工智能优化色谱条件与质谱数据分析,提升检测通量与智能化水平。
3 光谱检测技术在真菌毒素检测中的应用
3.1 近红外光谱(near-infrared spectroscopy,NIRS)检测技术
NIRS 检测真菌毒素是基于不同真菌毒素对近红外光的吸收差异,以及C—H、O—H、N—H 各类官能团在近红外区域的独特吸收特征[20],通过分析真菌毒素对近红外光的吸收情况,就可以获得毒素的组成、结构和性质等信息,NIRS 检测真菌毒素的技术流程如图2 所示。
图2 光谱法检测真菌毒素原理
Fig.2 Principle of spectroscopic detection of mycotoxins
NIRS 技术在谷物、豆类等真菌毒素的检测中得到广泛应用,并且该技术能够实现将传统的“离线抽样检测”升级为“在线实时监测”对生产过程进行及时调整和质量追溯[21]。 Fu 等[22]将NIRS 与主成分分析(principal component analysis,PCA)、线性判别分析(linear discriminant analysis,LDA)和偏最小二乘判别分析(partial least squares discriminant analysis,PLSDA)方法相结合来预测向日葵霉变以及货架期,研究结果显示PLS-DA 模型的准确率可达100%,为预测谷物货架期提供新思路。 但是,传统NIRS 法在跨谷物、跨毒素检测场景中,常因“基质差异导致模型适应性差”的问题受限。 为解决这一问题,Deng 等[23]将迁移学习策略引入模型构建,先以某谷物(如小麦)中特定毒素(如ZEN)的大量光谱数据训练模型,使其掌握光谱通用特征,再用少量目标谷物(如花生)与目标毒素(如AFB1)进行数据微调,从而获得高精度新模型。 该方法仅需要50 个目标样品就可使预测模型的R2(决定系数)达0. 938 6,预测偏差比(residual prediction deviation,RPD)为4.043 4(RPD ＞3表示模型优秀)。 此方法解决了传统方法需要为每种新组合收集数百个标样、成本高的问题,为NIRS 技术实现跨谷物、跨毒素普适性开辟新路径,推动该技术在多场景毒素检测中的应用。
未来NIRS 的研究将聚焦于多谷物、多毒素通用检测模型的构建工作,根据多源数据协同整合技术,减少对于标准品的依赖程度和模型构建相关成本。此外,可以利用化学计量学“优化数据质量”为深度学习打好基础,在此基础上,通过深度学习“捕捉复杂关系”提升预测精度,再利用迁移学习“打破场景限制”实现普适性检测。 三者协同工作,解决NIRS在粮食真菌毒素检测中“专用性强、成本高、精度不足”的问题。
3.2 拉曼光谱检测技术
表面增强拉曼散射(surface-enhanced raman scattering,SERS)是一种表面增强技术,通过化学增强(chemical enhancement,CM)和电磁增强(electromagnetic enhancement,EM)将所制备的贵金属纳米结构表面或其周围的分子微弱的拉曼信号增强[24]。 针对于玉米容易受到多种复合毒素干扰并且难以检测等问题,Yin 等[25]提出的基于SERS 的试纸用于ZEN 的检测,可在15 min 内完成玉米中ZEN 的检测,检测限为3. 6 μg/kg,且与HPLC 检测结果一致性可达86%。 尹丽梅[26]则以导电玻璃为基底,经电沉积金纳米颗粒、涂布氧化石墨烯制备出SERS 增强基底和拉曼信号探针,将OTA、ZEN 适配体功能化后使探针通过π-π 键吸附于基底产生双特征峰增强效应,实现2 种毒素的同步定量检测。
在多毒素同步检测与检测限优化方向,芦然[27]将表面增强拉曼光谱与适配体传感器联用,构建以SiO2@ Au-MBA NPs 作为信号底物的SERS 原位检测法检测粮食中常见的真菌毒素。 该技术依赖于将各类毒素的特异性适配体修饰在SERS 基底上,毒素存在时适配体构象发生变化改变拉曼报告分子与金纳米颗粒的距离,导致特征峰特异性淬灭,再结合化学计量学即可单次区分并定量多种毒素,对于OTA、ZEN、DON 的检测限分别为1. 4、1. 3、4. 8 ng/mL,经验证准确性良好,为复杂基质中多目标物高灵敏检测提供了策略。
然而,拉曼光谱技术发展依旧面临着一些问题：一是复杂基质中信号干扰导致的特异性不足,二是难以控制基底制备工艺的一致性,三是便携化设备的检测稳定性有待提升。 未来该技术发展的核心在于升级“性能”及“场景适配性”。 一方面通过多学科的交叉创新设计出具有高特异性、高稳定性的SERS 基底,降低复杂基质的信号干扰;另一方面推动多技术联用,例如Yin 等[25]将微流控液滴操控、免疫富集与拉曼检测结合,实现检测过程一体化,简化检测流程,降低成本,让该技术能够真正的应用于粮食生产、加工的全过程。
4 免疫学快速检测技术在真菌毒素检测中的应用
4.1 胶体金免疫层析检测技术
胶体金自1970 年起开始在检测领域规模化应用,凭借其独特的光学特性与生物相容性,已成为各类免疫检测技术中常用的标记物质[28],在商业化应用的快速检测试纸产品中,以胶体金作为核心标记物的占比高达90%。 在真菌毒素单一靶标检测场景中,王晴[29]构建了针对于AFB1 的二硫化钼-硫辛酸-聚乙二醇标记的光热免疫层析检测方法,该检测方法的灵敏度较视觉检测法更加灵敏,检测限可达0.008 42 μg/L(R2=0.992),灵敏度为0.57 μg/L,并且成功应用于玉米、花生和小麦的AFB1 检测。 考虑到粮食作物实际污染中常存在多种真菌毒素共存的情况,Hou[30]建立了能够同时检测伏马毒素(fumonisin B1,FB1),DON 和ZEN 的胶体金免疫层析法,将FB1-BSA(bovine serum albumin),DON-BSA 和ZENBSA(毒素检测线)包被于同一硝酸纤维素膜上,并优化抗体-金标复合物体系以避免交叉反应,对FB1,DON 和ZEN 三种真菌毒素的视觉检测限分别为60、12.5、6 ng/mL,检测结果与LC-MS/MS 一致,这种3通道的检测方式既提升了检测效率,又保证了检测结果的可信度,为复杂基质中多种真菌毒素的快速检测开辟了新路径。
胶体金的价值体现在“现场快速排除安全样本”,而并非出具法定报告。 所以未来可通过“光热/荧光纳米颗粒与便携式读数仪”协同工作将目测升级为定量,并建立“阳性必复检”制度。 作为现场快速筛查的主要手段不仅提升了检测速度,还能够保证结果的可靠性。
4.2 ELISA
研究表明,DON 容易引起小麦以及一些其他粮食作物产生赤霉病[31],并且还会诱发动物产生厌食症状和呕吐反应[32]。 为明确我国主粮中毒素的实际污染状况,王晓敏等[33]通过LC-MS/MS 和ELISA 研究我国2023—2024 年小麦中多种霉菌的污染情况,结果表明在248 份小麦中该毒素的污染率达到98.0%,并且这些毒素的阳性率为0.4% ～87.1%,平均污染水平为0.4 ～604.3 μg/kg。 但是对于该样品中ZEN 的检测,LC-MS/MS 与ELISA 的检测结果相差较大,表明复杂基质可能干扰免疫反应,因此ELISA 阳性结果还需要确证方法进行复核。 此外,针对传统免疫检测技术的局限性,Sekizuka 等[34]开发一种直接竞争性酶联免疫吸附测定法(direct competitive enzymelinked immunosorbent assay,dc-ELISA),用于快速、简便地测定小麦和大麦中的雪腐镰刀菌烯醇(nivalenol,NIV),结果显示NIV 的测定范围为0. 62 ～13.2 ng/mL,虽然DON 和4-乙酰NIV 可能会共同污染谷物,但在该方法中并不会干扰NIV 的测定。 并且通过与LC-MS/MS 方法的检测结果进行对比,结果显示在NIV 浓度较低的情况下2 种方法的一致性较高,但是在NIV 处于较高浓度情况下dc-ELISA 检测会低估NIV 水平。
综上所述,传统的ELISA 具有高特异性,能够进行批量检测,但是本身容易受到环境因素的影响,导致检测结果与更精确的检测方式的结果相比存在差异,对于复杂的样品基质该方法的灵敏度和特异性较弱,且只能进行单一毒素的检测[35-36]。 而通过开发新的dc-ELISA 法可以在DON 和4-乙酰NIV 的干扰下检测出NIV,虽然dc-ELISA 对于高浓度的NIV 的检测结果也会存在偏差,但是可以将该方法作为未来研究方向的基础开发出解决样品分析过程中出现的显著基质效应的问题[34]。
4.3 时间分辨荧光免疫分析技术(time-resolved fluoroimmunoassay,TR-FIA)
TR-FIA 兴起于20 世纪80 年代的一类非放射性标记分析技术,被广泛认为是该领域具有发展潜力的技术方向之一[37-38]。 TR-FIA 是一种集抗原抗体的特异性和示踪剂灵敏性于一体的超微量技术,反应发生后用时间分辨荧光仪测定产物中的特异荧光强度,根据荧光强度推测目标物质的浓度,从而对目标物质进行定量分析[39]。
TR-FIA 核心优势在于极低的检测背景与极高的信噪比,尤其适用于食品中痕量、超痕量真菌毒素的精准定量。 为了实现单一毒素超高灵敏度检测,黄飚等[40]以稀土离子[如铕(Eu)、铽(Tb)]作为标记物质,以OTAKLH 制备抗OTA 抗体,OTA-BSA 为固相抗原竞争抗体,构建了高灵敏度OTA-TR-FIA 检测方法。 该方法的灵敏度为0.02 μg/L,测程0.02 ～400 μg/L,是目前OTA 检测中最灵敏的方法之一,且该检测方法具有良好的稳定性,测量范围宽,体现了TR-FIA 在痕量毒素准确定量上的价值。 为了推动多毒素现场快速筛查,Wang 等[41]将TR-FIA 与微流控芯片集成,再结合筛选出的AFB1、ZEN、DON 高性能单克隆抗体,开发了可同时检测目标毒素的芯片系统(检出限分别为0.003、0.05、1.09 ng/mL)。 该系统通过多重编码的微球实现单通道区分多个目标物,而且微流控芯片集成了自动化操作、配套便携式读数仪,最大程度上简化流程,缩短检测时间。 整个检测可在20 min 内完成,标志着TR-FIA 从实验室大型仪器分析迈向现场化、多靶标、快速定量新阶段[42]。 图3 则系统呈现了胶体金免疫层析法、ELISA 及TR-FIA 三种真菌毒素检测技术的核心原理与操作流程,对应了上述3 种技术在单一/多靶标检测、灵敏度表现及实际应用场景中的技术特征与差异。
图3 胶体金、酶联免疫吸附、时间分辨荧光免疫检测原理
Fig.3 Detection principles of colloidal gold enzyme-linked immunosorbent assay and time-resolved fluorescence immunoassay
5 新型传感器检测技术在真菌毒素检测中的应用
5.1 生物传感器检测技术
生物传感器技术是一种融合了生物学、物理学和材料学的新型检测技术,其本质依旧是“生物识别元件”(酶、抗体、核酸等)与目标毒素特异性结合,产生物理或化学信号,再通过信号转换元件将这种物理化学信号转变为机器能够识别量化的电信号或光信号[43],其技术流程与原理如图4 所示。 生物传感器检测技术具有灵敏、快速、便捷、低成本的优势,是真菌毒素现场筛查的重要手段[44]。 因此,研发具备低成本优势与快速响应特性的新型传感器,是构建高效真菌毒素检测方法的驱动力。
图4 传感器检测真菌毒素原理
Fig.4 Principle of sensor detection of mycotoxins
白蕾等[45]构建了一种基于介孔二氧化硅薄膜(mesoporous silica films,MSFs)和四面体DNA(tetrahedral DNA nanostructure,TDN)的集筛选-筛选-捕获为一体的电化学发光( electrochemiluminescence,ECL)检测平台,可实现小麦中AFB1 的快速检测,AFB1 检测限可达2 ×10-4 μg/kg,具有极高的分析灵敏度。 另一方面,针对复杂基质中多种真菌毒素难以同步检测的问题,该团队进一步开发了空间-电位分辨型ECL 传感器,成功实现小麦中AFB1 与玉米中OTA 的同步检测,为多毒素联合筛查提供了创新性技术思路。 从检测原理与应用场景的拓展来看,Mishra等[46]开发了一种利用电化学阻抗谱(electrochemical impedance spectroscopy,EIS)的双重电化学传感工具,同时检测玉米粉中的AFB1 和ZEN,检出限分别为0.005 ng/mL 和0.05 ng/mL。 这种经过免疫测定和特异性抗体修改的增强型传感器能够在5 min 完成响应,并且通过实验证明该技术在现实生活中的可用性,未来可能应用于现场毒素检测,从而增强食品安全保障公众健康。
5.2 适配体(aptamer,Apt)传感器检测技术
Apt 是通过指数富集的配体系统进化技术(systematic evolution of ligands by exponential enrichment,SELEX)从人工合成的大容量核酸文库中筛选得到的短链核酸(DNA 或RNA)[47-48]。 由于Apt 对目标分子亲和力较强与其他抗体相比具有优势,因此常被作为生物识别元件构建适配体生物传感器[49]。
在ZEN 的Apt 传感器研究中,不同团队从纳米酶催化、纳米材料修饰等角度出发,开发了各具优势的检测方案。 为了提升检测灵敏度和稳定性,李志娟[50]创新性地合成了金纳米颗粒修饰的羟基氧化钴纳米复合材料,用于构建检测ZEN 的比色Apt 传感器。 由于该材料不仅具有羟基氧化钴的类过氧化物酶特性还具有纳米金的高效催化活性,催化底物显色反应,将微弱的分子结合信号转化为更加明显的颜色信号。 基于此构建的纳米酶比色适配体传感器检测ZEN,结果显示传感器线性范围为0.3 ～500 ng/mL,检出限(limit of detection,LOD)为0.23 ng/mL,在不同样品(小麦粉、玉米粉及玉米油)中的加标回收率为90.65% ～105.63%,与HPLC 结果高度一致。
在实现多毒素同步快速检测方面,Wu 等[51]开发一种集成微电极和微流体的电化学适体传感器(aptamer-based electrochemical sensor,Apt-EC),用于同时检测AFB1 和DON(检测限分别为7.74 pg/mL、0.172 ng/mL),其核心技术在于将2 种毒素适配体分别固定于不同的微电极上,利用微流道精确操控样品流动,从而实现目标毒素的检测。 该技术彰显了微流控集成与电化学传感结合的应用前景,但是由于DON 序列较长、空间结构不利等因素与目标物亲和力较弱限制反应信号响应导致检测限偏高,表明适配体筛选技术仍需要进行优化升级。
综上所述,传感器技术作为真菌毒素检测的前沿技术,发展逻辑仍是从单一靶标检测向多毒素同步检测演进。 但是该技术依旧存在识别元件的稳定性不足与成本问题、传感界面的重现性差、样本中复杂基质干扰导致的监测准确性下降等问题。 为解决此类问题,未来发展需聚焦于通过AI 辅助设计新识别元件,推动“传感-微流控-智能手机” 一体化融合建立性能评价标准并推进规模化应用,让传感器技术能够作为粮食供应链关键节点的智能检测工具。
通过对上述四类检测技术(色谱、光谱、免疫、传感器)的梳理,明确检测技术的发展逻辑：一是在检测维度上,从“单一毒素”向“多重毒素”同步检测演进;二是在应用场景上,从“实验室精确定量”向“现场快速筛查”并最终走向“过程在线监控”演进;三是在技术性能上,从“依赖大型仪器”向“微型化、智能化、集成化”演进。 为了系统的理清各种真菌毒素检测方法在实际应用中的适配场景,更加直观地呈现不同方法在性能上的差异。 从灵敏度、特异性、检测通量、操作便捷性、检测成本及适用场景等关键维度总结了各类真菌毒素检测方法的优点及局限性(表2),以及应对不同场景的真菌毒素多重检测技术选型决策树(图5),为后续检测技术的选择与优化提供参考依据。
图5 真菌毒素多重检测技术选型决策树
Fig.5 Decision tree for selecting multiplex mycotoxin detection technologies
注：荧光检测器(fluorescence detector,FLD);紫外检测器(UV)。
表2 不同真菌毒素检测方法对比
Table 2 Comparison of different mycotoxin detection methods
方法类别检测方法优点缺点适用场景色谱法TLC设备简单、运行成本低、可半定量灵敏度差(mg/kg 级)、重现性低、易受基质干扰现场初筛、教学演示色谱法HPLC灵敏度高(μg/kg 级)、定量准确、重现性好实验室验证,单次可测同族多组分色谱-质谱LC-MS/MS灵敏度最高、可多毒素同时定量、假阳性率低前处理复杂、有机溶剂用量大、仪器昂贵仲裁检测、完成出口粮作多种毒素一次进样免疫法ELISA批量检测、单样成本低、3 h 内出结果设备与维护费用高、需要同位素内标、对操作人员要求高大批量收购现场筛查、谷物仓贮免疫法胶体金试纸条5 ～10 min 肉眼判定、无需仪器、可单份操作基质效应明显、易出现假阳性/阴性、标准曲线范围窄只能定性或半定量、灵敏度低(≥10 μg/kg)、结果受温湿度影响田间、家庭自检光谱法NIRS/拉曼无需前处理、响应快、可穿透包装灵敏度有限、模型需大量标样仓贮在线监控、原料进仓快检生物传感器Apt-EC灵敏度高(LOD 0.02 ～0.1 μg/kg)、特异性强、可再生、成本低、体积小适配体筛选周期长、实际样品复杂时稳定性待验证、产业标准化不足便携式检测仪、智能手机读数,适合现场和过程监控
6 结语
粮食中真菌毒素的多重污染是贯穿“田间到餐桌”的持续性风险。 本综述系统梳理了从色谱、光谱、免疫分析到前沿生物传感器在内的技术全景,揭示出其发展呈现出从精准定量向高通量筛查、从实验室分析向现场快速检测、从单一指标向多毒素同步演进的清晰路径。 然而,当前仍缺乏一种“全能”技术以应对所有场景,未来发展需要解决的核心问题仍为如何智能地协同运用现有技术。
因此,构建一个分层次、多技术融合的检测手段是应对这一挑战的必然选择。 利用胶体金、适配体传感器等进行现场快速初筛,依托LC-MS/MS 等进行实验室精准确证,并使用NIRS 等技术实现全过程在线监控。 为实现这一体系,未来研究需聚焦于三大方向：一是推动技术路径的深度融合,如“SERS-适配体”、“微流控-免疫分析”等,以打造集成化平台;二是突破微流控-传感芯片技术,实现多毒素、多步骤检测的集成化与自动化。 加强人工智能在光谱数据分析、传感器优化设计中的应用,开发跨作物、跨毒素的通用型智能检测模型;三是加速标准化体系与智能数据平台的建立,实现检测数据的互联互通与风险预警。
通过多学科融合工作、协同创新,推动检测技术从孤立的“工具”走向系统的“解决方案”,就能够实现从“被动检测”到“主动防控”的战略转变,为保障全球粮食安全与公众健康构建坚实、灵敏的技术屏障。
[1] Turner N W, Bramhmbhatt H, Szabo-Vezse M, et al. Analytical methods for determination of mycotoxins：an update (2009 -2014)[J]. Analytica Chimica Acta, 2015, 901：12 -33.
[2] Malir F, Pickova D, Toman J, et al. Hazard characterisation for significant mycotoxins in food[J]. Mycotoxin Research, 2023, 39(2)：81 -93.
[3] 张伟, 马青青, 张二鹏, 等. 粮食及其制品中真菌毒素检测及风险评估技术的研究进展[J]. 中国卫生检验杂志, 2022, 32(5)：636 -640.Zhang W, Ma Q Q, Zhang E P, et al. Research progress on detection and risk assessment technology of mycotoxins in grain and its products[J]. Chinese Journal of Health Laboratory Technology,2022, 32(5)：636 -640.
[4] 温慧娇, 廖芷晴, 靳贵英. 真菌毒素检测方法进展[J]. 中国药品标准, 2023, 24(5)：465 -475.Wen H J, Liao Z Q, Jin G Y. Progress in detection methods for mycotoxin[J]. Drug Standards of China, 2023, 24(5)：465 -475.
[5] 王文珺, 孙双艳, 叶金, 等. 我国现行真菌毒素检测标准概述[J]. 食品安全质量检测学报, 2019, 10(4)：837 -847.Wang W J, Sun S Y, Ye J, et al. Review of current Chinese of testing standard of mycotoxin[J]. Journal of Food Safety & Quality,2019, 10(4)：837 -847.
[6] Caceres I, Khoury A A, Khoury R E, et al. Aflatoxin biosynthesis and genetic regulation：a review[J]. Toxins, 2020, 12(3)：150.
[7] IARC Working Group on the Evaluation of Carcinogenic Risks to Humans. Chemical agents and related occupations[J]. IARC Monographs on the Evaluation of Carcinogenic Risks to Humans, 2012,100(Pt F)：9 -562.
[8] la Placa L, Tsitsigiannis D, Camardo Leggieri M, et al. From grapes to wine：impact of the vinification process on ochratoxin a contamination[J]. Foods, 2023, 12(2)：260.
[9] Bouras N, Smaoui S, Guerfali M, et al. Comprehensive insights into Ochratoxin A：prevalence and regulatory frameworks in the Maghreb region[J]. Toxicon, 2026, 269：108642.
[10] 冯莉. 薄层色谱法检测玉米中黄曲霉毒素B1[J]. 现代畜牧科技, 2018, (8)：20.Feng L. Detection of aflatoxin B1 in corn by thin layer chromatography[J]. Modern Animal Husbandry Science & Technology,2018,(8)：20.
[11] 张思思, 陆继伟, 王少敏, 等. 国内外真菌毒素检测方法研究现状及进展[J]. 食品安全质量检测学报,2016,7(7)：2575 -2586.Zhang S S, Lu J W, Wang S M, et al. Current status and advances of domestic and international determination methods of mycotoxins[J]. Journal of Food Safety & Quality, 2016, 7 (7)：2575 -2586.
[12] Sokolovic' M, Šimpraga B. Survey of trichothecene mycotoxins in grains and animal feed in Croatia by thin layer chromatography[J].Food Control, 2006, 17(9)：733 -740.
[13] Ismail Gadit Z, Kandiah M. The use of analytical techniques to detect toxic synthetic drug, sibutramine, adulterated in traditional herbal medicines[C]. International Conference on Bioscience and Biotechnology. The International Institute of Knowledge Management (TIIKM), 2017：117 -133.
[14] Chen M B, Liu X Z, Yang S, et al. HPLC-MS/MS method for the simultaneous determination of aflatoxins in blood：toxicokinetics of aflatoxin B1 and aflatoxin M1 in rats[J]. Journal of Analytical Science and Technology, 2022, 13(1)：27.
[15] 刘坚, 孙婷琳, 秦时聪, 等. 高效液相色谱同步检测小麦中脱氧雪腐镰刀菌烯醇和玉米赤霉烯酮的方法研究[J]. 食品科技, 2024, 49(2)：329 -333.Liu J, Sun T L, Qin S C, et al. Simultaneous determination of deoxynivalenol and zearalenone in wheat by high performance liquid chromatography[J]. Food Science and Technology, 2024, 49(2)：329 -333.
[16] 陈芳芳. 高效液相色谱法同时检测花生中6 种真菌毒素的方法及应用研究[D]. 济南：山东大学, 2017.Chen F F. Simultaneous determination of six mycotoxins in peanut by high-performance liquid chromatography with fluorescence detector and its application[D]. Jinan：Shandong University, 2017.
[17] Zhang D W, Sun B, Luan Y J, et al. Simultaneous broad-spectrum detection of over 50 mycotoxins in maize silage via liquid chromatography-tandem mass spectrometry：method development and application[J]. Food Control, 2025, 172：111143.
[18] Chen F F, Luan C L, Wang L, et al. Simultaneous determination of six mycotoxins in peanut by high-performance liquid chromatography with a fluorescence detector[J]. Journal of the Science of Food and Agriculture, 2017, 97(6)：1805 -1810.
[19] Lima da Silva J, Lombardi S, Castaldo L, et al. Multi-mycotoxin analysis in Italian grains using ultra-high-performance chromatography coupled to quadrupole orbitrap mass spectrometry[J]. Toxins,2023, 15(9)：562.
[20] 张强. 基于近红外光谱技术的稻谷中霉菌和毒素检测研究[D]. 黑龙江：东北农业大学, 2015.Zhang Q. Determination of moulds and toxins in paddy rice based on near-infrared spectroscopy[D]. Heilongjiang：Northeast Agricultural University, 2015.
[21] 臧园园. 近红外光谱技术在小麦品质检测中的应用进展[J].粮食与食品工业, 2023, 30(1)：22 -27.Zang Y Y. Application progress of near infrared spectroscopy in wheat quality detection[J]. Cereal & Food Industry, 2023, 30(1)：22 -27.
[22] Fu H Y, Jiang D, Zhou R, et al. Predicting mildew contamination and shelf-life of sunflower seeds and soybeans by Fourier transform near-infrared spectroscopy and chemometric data analysis [ J].Food Analytical Methods, 2017, 10(5)：1597 -1608.
[23] Deng J H, Mei C L, Jiang H. Enhancing the application of nearinfrared spectroscopy in grain mycotoxin detection：an exploration of a transfer learning approach across contaminants and grains[J].Food Chemistry, 2025, 480：143854.
[24] Hassan M M, Li H H, Ahmad W, et al. Au@ Ag nanostructure based SERS substrate for simultaneous determination of pesticides residue in tea via solid phase extraction coupled multivariate calibration[J]. LWT, 2019, 105：290 -297.
[25] Yin L M, You T Y, El-Seedi H R, et al. Rapid and sensitive detection of Zearalenone in corn using SERS-based lateral flow immunosensor[J]. Food Chemistry, 2022, 396：133707.
[26] 尹丽梅. 玉米中典型真菌毒素的表面增强拉曼光谱检测方法研究[D]. 镇江：江苏大学, 2024.Yin L M. Detection of typical mycotoxins in corn using surface enhanced raman spectroscopy[D]. Zhenjiang：Jiangsu University,2024.
[27] 芦然. 基于表面增强拉曼光谱技术检测多种真菌毒素的研究[D]. 天津：天津科技大学, 2023.Lu R. Detection of mycotoxins based on surface enhanced raman spectroscopy technology[D]. Tianjin：Tianjin University of Science and Technology, 2023.
[28] Tanaka R, Yuhi T, Nagatani N, et al. A novel enhancement assay for immunochromatographic test strips using gold nanoparticles[J].Analytical and Bioanalytical Chemistry, 2006, 385(8)：1414 -1420.
[29] 王晴. 黄曲霉毒素B1 光热免疫层析检测方法的建立[D]. 天津：天津科技大学,2021.Wang Q. Development of photothermal immunochromatographic assay for thedetection of aflatoxin B1[D]. Tianjin：Tianjin University of Science and Technology, 2021.
[30] Hou S L, Ma J J, Cheng Y Q, et al. One-step rapid detection of fumonisin B1, dexyonivalenol and Zearalenone in grains[J]. Food Control, 2020, 117：107107.
[31] Omurtag G Z, Beyogˇlu D. Occurrence of deoxynivalenol (vomitoxin) in processed cereals and pulses in Turkey[J]. Food Additives and Contaminants, 2003, 20(4)：405 -409.
[32] 张璐瑶, 范志勇, 王永伟, 等. 饲料中呕吐毒素生物脱毒技术研究进展[J]. 饲料工业, 2024, 45(11)：133 -138.Zhang L Y, Fan Z Y, Wang Y W, et al. Progress of biological detoxification technology of vomitoxin in feeds[J]. Feed Industry,2024, 45(11)：133 -138.
[33] 王晓敏, 韩祎陟, 郑书展, 等. 2023 年和2024 年中国小麦中霉菌毒素污染现状研究[J]. 食品安全质量检测学报, 2025,16(11)：33 -40.Wang X M, Han Y Z, Zheng S Z, et al. Investigation on the current situation of mycotoxin contamination in Triticum aestivum L.From China in 2023 and 2024[J]. Journal of Food Safety & Quality, 2025, 16(11)：33 -40.
[34] Sekizuka R, Kitsunezuka K, Miyano N, et al. Rapid and easy determination of mycotoxin nivalenol in wheat and barley by direct competitive enzyme-linked immunosorbent assay[J]. Food Control, 2025, 177：111432.
[35] 刘慧, 吴颖, 黄华. 脱氧雪腐镰刀菌烯醇及其衍生物检测方法的研究进展[J]. 食品科学, 2021, 42(15)：356 -365.Liu H, Wu Y, Huang H. Progress in analytical methods for the determination of deoxynivalenol and its derivatives[J]. Food Science, 2021, 42(15)：356 -365.
[36] 王镐, 秦晓雅, 周恒, 等. 中药中真菌毒素快速检测技术研究进展及应用[J]. 分析测试学报, 2023, 42(8)：1047 -1055.Wang H, Qin X Y, Zhou H, et al. Research progress on rapid detection techniques for mycotoxins and their application in traditional Chinese medicine[J]. Journal of Instrumental Analysis, 2023, 42(8)：1047 -1055.
[37] Tan M Q, Song B, Wang G L, et al. A new terbium (Ⅲ) chelate as an efficient singlet oxygen fluorescence probe[J]. Free Radical Biology and Medicine, 2006, 40(9)：1644 -1653.
[38] 青文哲, 杨伊磊, 陈力力. 免疫标记分析技术及其在粮食霉菌毒素检测中的应用研究进展[J]. 食品安全质量检测学报,2014, 5(8)：2378 -2385.Qing W Z, Yang Y L, Chen L L. A review on applications of labeling immunoassay techniques for mycotoxin detection in grain[J].Journal of Food Safety & Quality, 2014, 5(8)：2378 -2385.
[39] Niu C G, Liu J, Qin P Z, et al. A novel bifunctional europium chelate applied in quantitative determination of human immunoglobin G using time-resolved fluoroimmunoassay[J]. Analytical Biochemistry, 2011, 409(2)：244 -248.
[40] 黄飚, 时瑾, 朱岚, 等. 赭曲霉毒素A 时间分辨荧光免疫分析法的建立及其考核[J]. 标记免疫分析与临床, 2008, 15(3)：174 -177.Huang B, Shi J, Zhu L, et al. Development of application of timeresolved fluoroimmunoassay of ochratoxin A[J]. Labeled Immunoassays and Clinical Medicine, 2008, 15(3)：174 -177.
[41] Wang X, Lu D S, Huang Q F, et al. Microfluidics-based time-resolved fluorescence immunoassay for the on-site detection of aflatoxins B1 Zearalenone and deoxynivalenol in cereals[J]. Foods,2022, 11(9)：1319.
[42] 李静, 李培武, 张奇, 等. 时间分辨荧光免疫层析试纸条在油料饼粕黄曲霉毒素B1 检测中的应用[J]. 中国油料作物学报,2014, 36(2)：256 -262.Li J, Li P W, Zhang Q, et al. Investigation of time- resolved fluoro- immunochromatographic assay strip for quantitative determination of aflatoxin B1 in oilseed meals[J]. Chinese Journal of Oil Crop Sciences, 2014, 36(2)：256 -262.
[43] Kumar M S, Ghosh S, Nayak S, et al. Recent advances in biosensor based diagnosis of urinary tract infection[J]. Biosensors and Bioelectronics, 2016, 80：497 -510.
[44] Rovina K, Sulaiman N S, Joseph M V, et al. Mycotoxins and food safety[M]. London：IntechOpen, 2019.
[45] 白蕾, 陈子悦, 王俊豪, 等. 纳米酶生物传感器在食品中真菌毒素检测的应用研究进展[J]. 食品安全质量检测学报,2025, 16(15)：73 -83.Bai L, Chen Z Y, Wang J H, et al. Research progress on the application of nanozyme biosensors in the detection of mycotoxins in food[J]. Journal of Food Safety & Quality, 2025, 16(15)：73 -83.
[46] Mishra K K, Dhamu V N, Kokala A, et al. Advancing food Safety：Two-plex electrochemical biosensor for mycotoxin detection in food matrices[J]. Biosensors and Bioelectronics：X, 2025, 25：100626.
[47] Ellington A D, Szostak J W. In vitro selection of RNA molecules that bind specific ligands[J]. Nature, 1990, 346(6287)：818 -822.
[48] HUANG H H. Evaluation of a CD4-aptamer for Flow Cytometrybased Enumeration of T-cell Subsets[C]. 2013 4th International Conference on Biosciences. Putrajaya, Malaysia：International Association of Science and Engineering for Development,2013,17 -18.
[49] Ozturk M, Nilsen-Hamilton M, Ilgu M. Aptamer applications in neuroscience[J]. Pharmaceuticals, 2021, 14(12)：1260.
[50] 李志娟. 基于钴类氧化物构建适配体传感器用于食品中真菌毒素的检测研究[D]. 重庆：重庆师范大学, 2024.Li Z J. Research on the construction of aptasensors based on cobalt-based oxides for the detection of mycotoxins in food[D].Chongqing：Chongqing Normal University, 2024.
[51] Wu J L, Yuan H J, Yang Y H, et al. A comb-shaped microfluidic aptasensor for rapid and sensitive on-site simultaneous detection of aflatoxin B1 and deoxynivalenol[J]. Food Chemistry, 2025, 473：143072.