引用本文
蒋雪松, 张斌, 赵天霞, 熊超平, 沈飞, 何学明, 刘琴, 周宏平, 刘兴泉. 小麦呕吐毒素污染可见/近红外光谱快速筛查方法研究[J]. 光谱学与光谱分析, 2019,39(12): 3904-3909.
JIANG Xue-song, ZHANG Bin, ZHAO Tian-xia, XIONG Chao-ping, SHEN Fei, HE Xue-ming, LIU Qin, ZHOU Hong-ping, LIU Xing-quan. Screening of DON Contamination in Wheat Based on Visible/NearInfrared Spectroscopy[J]. Spectroscopy and Spectral Analysis, 2019,39(12): 3904-3909.
Doi:10.3964/j.issn.1000-0593(2019)12-3904-06  
Permissions
Copyright©2019, 《光谱学与光谱分析》期刊社
《光谱学与光谱分析》期刊社 所有
小麦呕吐毒素污染可见/近红外光谱快速筛查方法研究
蒋雪松1, 张斌2, 赵天霞2, 熊超平2, 沈飞2,*, 何学明2, 刘琴2, 周宏平1,*, 刘兴泉3
1. 南京林业大学机械电子工程学院, 江苏 南京 210037
2. 南京财经大学食品科学与工程学院, 江苏 南京 210023
3. 浙江农林大学农业与食品科学学院, 浙江 杭州 311300
*通讯联系人 e-mail: shenfei0808@163.com; hpzhou@njfu.edu.cn

作者简介: 蒋雪松, 1979年生, 南京林业大学机械电子工程学院副教授 e-mail: xsjiang@126.com

收稿日期: 2019-07-24 接受日期: 2019-10-29
基金: 国家重点研发计划项目(2017YFC1600601), 国家自然科学基金项目(31772061), 江苏省农业科技自主创新资金项目(CX(19)2005), 浙江省重点研发计划项目(2018C02050)资助
摘要

小麦不仅是我国主要的粮食品种, 也是一种重要的饲料和工业原料。 小麦易受赤霉病感染从而产生呕吐毒素, 学名脱氧雪腐镰刀菌烯醇(DON), 具有一定致癌性, 对人畜健康构成严重威胁。 尤其近年来极端异常气候频发, 小麦DON污染风险呈不断上升趋势, 已成为影响其产品质量安全的主要因素。 然而, 传统DON检测方法过程繁琐、 耗时费力, 因此发展一种快速、 低成本且适用于在线的检测方法对小麦安全生产及加工具有重要意义。 首先从江苏各地收集不同赤霉病感染程度的小麦样品200份, 磨粉后利用超高效液相色谱-串联质谱联用法(UPLC-MS/MS)测定小麦中DON含量, 再利用光谱仪在线采集小麦的可见/近红外光谱。 数据处理步骤为: 采用多元散射校正以及二阶导数对光谱进行预处理, 同时根据竞争性自适应权重取样算法提取特征波长, 最后利用线性判别分析(LDA)与偏最小二乘判别分析法(PLS-DA)建立小麦粉样品的定性分析模型(以国家标准1 000 μg·kg-1为界限), 根据偏最小二乘回归(PLSR)建立小麦粉样品DON含量定量分析模型。 UPLC-MS/MS结果表明小麦DON污染风险较高, 所测样品超标率约为50%。 可见/近红外光谱分析表明不同DON含量小麦样品光谱特征具有一定的差异, 原始光谱和二阶导数谱图可看出1 420 nm处DON含量越高, 吸光度越低。 由于DON绝对含量低而光谱仪的检测限有限, 通过主成分分析未能发现明显的聚类趋势, 但根据全光谱以及特征光谱所构建的LDA与PLS-DA判别模型均能够对超标和未超标样品进行快速识别与筛查, 最佳识别率达87.69%。 从定量分析结果来看, 所构建的小麦样品DON含量的PLSR模型结果不太理想, 最优模型结果: 预测集相关系数( rp)为0.688, 均方根误差(RMSEP)为727 μg·kg-1, 相对分析偏差(RPD)值为1.38, 模型精度和稳健性有待进一步提升。 利用可见/近红外光谱和化学计量学方法, 实现小麦DON含量超标与否的在线判别与筛查, 为我国小麦产品质量安全快速检测提供了技术参考。 但对DON含量的定量分析还需要进一步研究, 探究外部因素对模型的影响, 并拟扩大样品量, 收集不同地区、 不同品种的小麦样品, 提高模型的精度及普适性。

关键词: 小麦粉; 可见/近红外光谱; 呕吐毒素; 在线检测; 快速筛查
中图分类号:O657.3 文献标志码:A
Screening of DON Contamination in Wheat Based on Visible/NearInfrared Spectroscopy
JIANG Xue-song1, ZHANG Bin2, ZHAO Tian-xia2, XIONG Chao-ping2, SHEN Fei2,*, HE Xue-ming2, LIU Qin2, ZHOU Hong-ping1,*, LIU Xing-quan3
1. College of Mechanical and Electronic Engineering, Nanjing Forestry University, Nanjing 210037, China
2. College of Food Science and Engineering, Nanjing University of Finance and Economics, Nanjing 210023, China
3. School of Agriculture and Food Science, Zhejiang A&F University, Hangzhou 311300, China;
Abstract

Wheat is not only the main grain in China, but also is an important feed and industrial raw material. Wheat is susceptible to scab, which can produce vomitoxin whose scientific name is Deoxynivalenol (DON). Vomitoxin is carcinogenic and pose a serious threat to human and animal health. In recent years, due to the frequent occurrence of extreme and abnormal weather, the risk of DON infection is on the rise, which has become the main factor affecting the quality and safety of wheat products. However, traditional methods for detecting DON content have obvious problems such as cumbersome and time-consuming detection process. Therefore, developing a fast, low-cost and online detection method is of great significance for the safe production and processing of wheat. Firstly, 200 wheat samples with different degrees of scab infection were collected from all parts of Jiangsu. After milling, the content of DON in wheat was determined by ultra-performance liquid chromatography-tandem mass spectrometry (UPLC-MS/MS), and then the visible/near-infrared spectral of wheat were collected online. The data processing steps are: pre-processing the spectrum by multi-scattering correction and second derivative, and extracting the characteristic wavelength according to the competitive adaptive reweighted sampling algorithm, then using linear discriminant analysis (LDA) and partial least squares discriminant analysis (PLS-DA) was used to establish a qualitative analysis model of wheat flour samples (with a national standard of 1 000 μg·kg-1), and a quantitative analysis model of DON content in wheat flour samples was established according to partial least squares regression (PLSR). UPLC-MS/MS results showed that the risk of wheat DON contamination was higher, and the over-standard rate of the tested samples was 50%. Visible/near-infrared spectroscopy analysis showed that the spectral characteristics of different DON content wheat samples had some differences. The original spectrum and the second derivative spectrum showed that the higher the DON content, the lower the absorbance at 1 420 nm. Due to the low absolute content of DON and the limited detection limit of spectroscopy, the obvious clustering trend could not be found by principal component analysis. However, the LDA and PLS-DA discriminant models constructed according to the full spectrum and the characteristic spectrum can quickly identify and screen sound and infection samples, and the best recognition rate was 87.69%. According to the quantitative analysis results, the PLSR model of DON content in wheat samples was not ideal. The optimal model results: the correlation coefficient ( rp) of the prediction set was 0.688, the root mean square error (RMSEP) was 727 μg·kg-1, and the relative analysis deviation (RPD) was 1.38. The accuracy and robustness of the model needed to be further improved. It is feasible to use visible/near-infrared spectroscopy and chemometrics methods to achieve on-line discrimination and screening of wheat DON content exceeding the standard, which provides a technical reference for the rapid and quality detection of wheat products in China. However, the quantitative analysis of DON content needs further research to explore the influence of external factors on the model, and it is planned to expand the sample size, collect wheat samples from different regions and different varieties, and improve the accuracy and universality of the model.

Keyword: Wheat flour; Visible/near spectroscopy; Deoxynivalenol; On-line detection; Rapid screening
引 言

小麦营养丰富, 是我国三大作物之一, 也是我国重要的储粮品种。 然而, 生长于温暖潮湿地区的小麦极易感染赤霉病, 例如我国的长江中下游地区、 华南地区以及东北地区, 均是小麦赤霉病高爆发地区[1]。 诸多研究表明, 受赤霉病感染的小麦会产生呕吐毒素, 其学名为脱氧雪腐镰刀菌烯醇(deoxynivalenol, DON)[2]。 DON的化学性质较为稳定, 抗热性较强, 因此一般的加工手段及储藏无法破坏其结构。 DON的存在, 不仅会侵染破坏小麦的细胞组织, 还会降低小麦粒的出粉率, 影响产量[3]。 其次牲畜食用了受DON污染的饲料可导致急性胃肠道症状, 如呕吐、 便血和拒绝进食等[4]。 DON也能引发人体中毒, 产生厌食、 呕吐等与动物类似的并发症状。 此外, DON还具有一定的致癌、 致畸等潜在健康风险[5]。 为了避免DON对人体以及动物的危害, 需对感染赤霉病的小麦进行监测与控制。

近年来随着化学计量学的快速发展, 近红外光谱技术也逐渐成熟, 被应用于各大行业。 相对于传统的DON检测手段, 如高效液相色谱法[6]、 薄层色谱法[7]以及酶联免疫法[8]等, 其具有快速、 低成本以及无破坏性等优点, 并且有望于实现在线检测。 目前国内外已经有研究者将该技术应用于粮食中的真菌毒素的快速检测中[9, 10, 11], 从大多数的研究结果来看, 利用近红外光谱能够实现霉菌侵染程度的准确预测以及判别; 但对于毒素的检测, 大多能够实现阈值之间的区分, 难以实现定量分析。 诸多研究表明了近红外光谱技术在粮食的真菌毒素快速检测中拥有着巨大的潜力。 然而目前大多数的研究仍以静态检测为主, 在线检测粮食中毒素的报道尚未出现。 因此本研究以自然感染赤霉病的小麦粉为对象, 通过在线获取其可见/近红外光谱, 分析不同DON含量小麦样品之间的光谱差异, 结合化学计量法构建相应的判别模型, 探索可见/近红外光谱在线检测小麦粉中DON侵染程度的可行性, 为我国粮食的安全加工与生产提供一种检测方案。

1 实验部分
1.1 样品

2018年新收获小麦样品, 由江苏省粮食局粮油质量监测所提供, 均受不同程度赤霉病感染, 共计200份。 除杂后磨粉, 并储存于-20 ℃的冷库中待测。

1.2 仪器

阵列式漫反射光谱仪(MCS 600, Carl Zeiss, 德国), 漫反射探头(OMK500-H/NIR, Carl Zeiss, 德国), 动态平台(维视数字图像技术有限公司, 陕西), 不锈钢万能粉碎机(HK-180型, 旭朗机械设备公司, 广州), 电子分析天平(AR204, 梅特勒-托利多仪器(上海)有限公司), 旋涡混合器(XW-80A, 上海青浦泸西仪器厂), 台式高速冷冻离心机(Allegra 64R, 美国贝克曼公司); 液相色谱串联三重四级杆质谱联用仪(Waters-UPLC Xevo TQ, 美国沃特世公司); 磨粉机(100 control, IKA Tube Mill, 爱卡(广州)仪器设备有限公司)。

1.3 超高效液相色谱-串联质谱联用法测定小麦中DON含量

QuEChERS前处理: 称取2.500 g小麦粉于50 mL离心管中, 加入10 mL 1%乙酸-水溶液, 涡旋混匀后在4 ℃冰箱放置10 min。 加入10 mL乙腈, 涡旋2 min后加入盐包, 涡旋2 min, 4 ℃下6 000 r· min-1离心5 min。 取3 mL上清液于10 mL净化管(内含PSA, C18, MgSO4共0.500 g)中, 涡旋2 min, 4 ℃下6 000 r· min-1离心5 min。 取1 mL上清液过0.22 μ m有机滤膜, 待测。

色谱条件: 液相系统: Waters ACQUITY UPLC H-class; 色谱柱: ACQUITY UPLC BEH C18(1.7 μ m, 2.1 mm× 100 mm); 柱温: 40 ℃; 检测周期: 6 min; 进样量: 10 μ L; 流动相: A(0.1%甲酸-水), B(乙腈)。 梯度洗脱条件如表1所示。

表1 流动相梯度洗脱程序 Table 1 Mobile phase gradient elution procedures

质谱条件: 质谱系统: Xevo TQ MS; 离子化模式:

ESI+; 毛细管电压: 3 kV; 脱溶剂温度: 500 ℃; 脱溶剂流速: 1 000 L· Hr-1; 设置保留时间为1.36 s, 监测离子对为297.1> 231.1(定量离子对, 锥孔电压25 V, 碰撞能量13 V, 驻留时间0.052 s)和297.1> 249.1(锥孔电压25 V, 碰撞能量10 V, 驻留时间0.052 s)。

回收率和精密度: 采用基质匹配标准曲线, 小麦粉中检测得到的标准曲线/线性范围、 精密度(20 μ g· kg-1; 日内、 日间)及3个添加水平(0.2, 0.6和1 mg· kg-1)的加标回收率进行了测定。 结果显示, 200份样品中DON的含量在< 60~6 233.03 μ g· kg-1之间, 平均值为1 195.71 μ g· kg-1, 超标率达48.71%。

1.4 小麦样品可见/近红外光谱采集

利用自建的可见/近红外光谱在线检测系统[12], 取磨粉后的小麦粉样品平铺于直径为9 cm高为1.5 cm的培养皿中, 刮平上表面后置于动态平台的传送带的中心线上, 同时确保样品上表面距离漫反射探头约2 cm, 此时样品表面照射光斑面积约3.14 cm2。 光谱仪开机预热30 min, 设置光谱仪积分时间为20 ms, 平均次数为3次, 传送带速度为0.15 m· s-1。 启动传送带, 当样品到达至漫反射探头正下方时, 手动采集样品光谱; 每份样品重复采集三次信息, 取平均。

1.5 数据处理与模型构建

将采集的光谱利用MATLAB软件进行平均, 将平均光谱作为样品的代表光谱。 在进行模型构建之前, 利用多元散射校正、 二阶导数对光谱进行降噪处理, 以避免噪音对模型的精度和稳定性造成影响。 将预处理后的样品光谱采用竞争性自适应权重取样算法(competitive adaptive reweighted sampling, CARS)进行特征波长优选[13]。 该方法利用回归系数绝对值大小来衡量波长的重要性, 将每一个波长看作个体, 逐步淘汰权重较小的波长点从而达到特征波长优选的目的。

构建模型之前对光谱进行主成分分析(principal component analysis, PCA)分析样品的聚类趋势。 之后利用线性判别分析(LDA)以及偏最小二乘判别分析(PLS-DA)两种方法建立小麦DON侵染程度的判别模型。 在建立模型前, 剔除5份异常样本, 将剩余的195份样本利用随机法按照2∶ 1的比例分成建模集与预测集, 两个样本集的样品分布如表2所示。 同时按照国家标准[14], 将超过1 000 μ g· kg-1的样本作为超标样本, 将未超过1 000 μ g· kg-1的样本作为未超标样本。 在LDA模型中将未超标样本记为类A, 超标样本记为类B, 通过预测类A与类B来判定模型的预测准确率。 在PLS-DA模型中, 由于模型是基于PLS回归计算而开发的, 因而将未超标样本记为+1, 超标样本记为-1。 其中若预测值> 0则判定为未超标, 若预测值< 0则判定为超标。

表2 样本集中DON含量统计概述 Table 2 Statistical summary of deoxynivalenol content in the subset

模型评价方法是预测值判定正确的数量来进行的, 主要有总体正确率(total accuracy, TA), 未超标样本识别正确记为阳性识别正确率(positive accuracy, PA), 超标样本识别正确记为阴性识别正确率(negative accuracy, NA), 其计算公式如下

TA=判别正确样本数总体样本数×100%(1)

PA=正确判定未超标样本数未超标样本总数×100%(2)

NA=正确判定超标样本数超标样本数×100%(3)

2 结果与讨论
2.1 可见/近红外光谱分析

利用可见/近红外光谱仪在线采集的小麦粉样品光谱范围为6001 700 nm。 图1是< 606 233.0 μ g· kg-1范围内五份不同DON含量的样品原始和二阶导数光谱图, 从图1(a)中可以看出不同DON含量样品的光谱大致相似, 在960, 1 140以及1 420 nm三个波长点附近具有相同的吸收峰, 这表明小麦样品在受DON侵染的过程中, 主要化学结构未被破坏。 其次观察1 140及1 420 nm处的吸光度可发现, 随着侵染水平的增加, 吸光度大致呈下降趋势, 为了进一步观察, 利用二阶导数对光谱进行处理, 将部分波段进行放大。 从图1(b)中可发现经过二阶导数处理后的光谱消除了大量噪音与基线漂移, 放大了部分波长点处的吸收峰。 观察可知, 在多个波峰处呈现同样的现象。 禾谷镰刀菌在感染小麦样品时, 破坏了小麦的细胞壁以及直链淀粉[15], 使得种皮出现孔状结构, 并在糊粉层处形成了空腔。 此外还影响了小麦中水分和蛋白质的含量, 受侵染的小麦样品内, 大分子量的蛋白质与直链淀粉明显减少。 而这些物质对于1 140和1 420 nm处的近红外光吸收尤为敏感, 因而造成吸光度的降低, 这与Ruan等发现的现象一致[16]。

图1 5种不同DON含量(< 606 033.03 μ g· kg-1)的小麦粉样品原始(a)与二阶导数(b)光谱图
2.2 主成分分析Fig.1 Average raw (a) and second derivative (b) spectra of wheat flour samples with five different levels (from < 60 to 6 033.03 μ g· kg-1) of DON contamination

图2是不同DON侵染程度的小麦样品前三个主成分得分图, 其中第一主成分占51.3%, 超过了50%, 体现了样品之间的相似性; 第二主成分占38%贡献率, 第三主成分占3%贡献率, 较低的主成分能够反映出样品的差异, 因而主要观察第二主成分和第三主成分的聚类情况。 从图中可以看出根据第二第三主成分的聚类趋势并不明显, 大部分样品交叉在一起, 无法实现超标样品与未超标样品的准确区分。 这可能是由于样品的毒素含量过低, 样品种类不一致, 因而需进一步建立判别分析模型来识别超标与未超标样本。

图2 小麦粉样品前三主成分得分图Fig.2 Score plot of first three PCs of wheat flour samples

2.3 小麦粉DON超标与否的定性判别分析

据上所述, 按照国家食品中真菌毒素限量标准, 将含量超过1 000 μ g· kg-1的小麦粉样品划分为超标样品, 将含量低于1 000 μ g· kg-1的小麦粉样品划分为未超标样品。 分别采用LDA和PLS-DA两种判别分析方法建立小麦DON超标与否的定性分析模型, 以判别小麦粉中DON含量超标与否。 由于LDA模型的变量需要小于样本量, 因此对光谱提取主成分, 利用主成分作为变量建立相应的模型。 表3是根据样品全波段光谱以及特征波长光谱信息建立的LDA和PLS-DA模型结果。 从表3中可以看出利用全波段光谱建模的LDA模型结果略低于PLS-DA模型结果, 其建模集总体准确率分别为84.62%和89.23%, 预测集总体准确率分别为83.08%和86.15%; 从预测集中可以看出LDA和PLS-DA两种模型的阳性识别率PA(83.87%, 87.10%)均大于阴性识别率NA(82.35%, 85.29%)。 Girolamo[17]等利用FT-NIR对小麦样品中的DON侵染程度进行判别, 所建立的LDA模型对低于1 000 μ g· kg-1的样品识别正确率为80.70%, 对大于1 000 μ g· kg-1的样品识别正确率为76.42%, 与本结果类似。 这表明两种模型利用全光谱均能够实现小麦粉中DON超标与否的在线判别; 而且模型对于未超标的样本能够较准确的识别, 而对于超标样本的识别能力还需进一步提升。

表3 小麦样品的LDA和PLS-DA分类模型结果 Table 3 Results of the LDA and PLS-DA classification models of wheat samples

为了满足在线应用的需要, 采用全光谱建模会在一定程度上降低运算速度, 因而探讨了利用CARS提取特征波长后的LDA和PLS-DA模型。 从表3中可以看出, 利用特征波长建立的模型整体准确率有一定的提升, 建模集的正确率分别从84.62%和89.23%提升到88.46%和89.23%, 预测集的正确率分别从83.08%和86.15%提升到86.15%和87.69%, 这可能是由于提取特征变量消除了部分噪音, 优化了模型的结果。 此外, 两种模型的识别正确率同样略高于阴性识别正确率。 表明采用特征波长进行建模分析一定程度上能够简化模型, 降低模型的复杂程度, 此外还能提高模型的对超标和未超标样本判别的准确性。 图3是全波段与特征波段LDA的第一第二判别函数得分图, 从中可以看出, 超标样品和未超标样品呈现明显的聚类效果, 仅有部分重叠, 结果明显优于PCA; 此外还可以观察到利用CARS提取特征波段的LDA得分图相比全波段的LDA得分图聚类效果更优。 利用可见/近红外光谱结合化学计量学能够实现小麦

图3 小麦粉样品LDA得分图
(a): 全波段; (b): CARS特征波段
LDA Score plot of wheat flour samples
(a): Full spectrum; (b): Characteristic wavelength by CARS粉DON超标与否的在线判别。

2.4 小麦粉DON侵染程度的定量分析

为了进一步表征小麦粉中DON的具体侵染程度, 建立了基于全光谱与特征光谱的PLS模型, 并探讨了不同预处理方法对模型的影响。 从表4中可以看出基于全光谱的PLS模型结果略优于基于特征波长的PLS模型, 其最佳模型的预处理分别是二阶导数和无预处理, 建模集相关系数rc分别为0.772和0.651; rp分别为0.727和0.626。 此外两种模型的预测集均方根误差分别为727和626 μ g· kg-1, RPD值分别为1.38和1.25。 结果表明模型不可靠, 不能用于准确的定量预测。 Girolamo等[18]利用FT-NIR进行小麦DON含量的定量分析, 在< 5016 000 μ g· kg-1范围内, 建立PLS模型, 其模型的预测集 Rp2为0.630, 均方根误差为1 977 μ g· kg-1, RPD为1.72。 分析技术原理以及考虑到检测条件, 有以下两个主要原因影响了本研究的检测精度。 一方面近红外光谱技术检测小麦中DON含量是一种间接测量方法, 其依赖DON对小麦侵染造成的蛋白以及淀粉的变化[19]; 其次, 本研究是利用在线平台动态获取小麦粉样品的光谱, 受到震动、 速度、 积分时间等因素的影响, 导致模型精度欠缺。 因此下一步的研究将会针对这些影响因素进行深入讨论。 图4是全光谱二阶导数PLS模型的测量值与预测值相关性图。

表4 基于可见/近红外光谱的小麦样品DON侵染程度的PLSR模型结果 Table 4 Results of PLS model for wheat flour samples contaminated with DON by Vis/NIR spectroscopy

图4 全光谱的小麦粉样品测量值与预测值的相关性Fig.4 Correlation between measured and predicted values for wheat samples by full spectrum

3 结 论

不同DON侵染程度的小麦粉光谱具有一定的差异, 通过主成分分析无法直接准确区分超标与未超标样本, 因而需要进一步构建判别分析模型来识别超标与未超标样本。 本研究结果表明采用LDA与PLS-DA建立的小麦粉DON含量超标与否的判别模型具有较好的精确度, 且根据CARS提取的特征波长建模不仅能够简化模型, 还能略微提高模型的精确度。 但根据在线获取的小麦粉可见/近红外光谱无法进行准确的定量分析, 所构建的采用全波段以及特征波段建立的PLS模型均不可靠。 因此利用可见/近红外光谱技术, 能够较好的实现小麦粉样品中DON超标与否的在线判别, 实现小麦质量安全的在线快速筛查, 但目前无法准确预测其DON含量。 因而可以考虑开发一定的台式或者便携式设备, 采集稳定的光谱信息, 建立稳健的模型, 从而实现DON含量的准确预测。

参考文献
[1] Miller J D. Journal of Stored Products Research, 1995, 31(1): 1. [本文引用:1]
[2] Jin Z, Zhou B, Gillespie J, et al. Food Control, 2018, 85: 6. [本文引用:1]
[3] Bellesi F J, Arata A F, Martínez M, et al. Journal of Stored Products Research, 2019, 83: 1. [本文引用:1]
[4] Savard C, Provost C, Alvarez F, et al. Veterinary Microbiology, 2015, 176(3-4): 257. [本文引用:1]
[5] Raiola A, Tenore G C, Manyes L, et al. Food and Chemical Toxicology, 2015, 84: 169. [本文引用:1]
[6] Zhang Y, Pei F, Fang Y, et al. Food Chemistry, 2019, 275: 763. [本文引用:1]
[7] Cendoya E, Chiotta M L, Zachetti V, et al. Journal of Cereal Science, 2018, 80: 158. [本文引用:1]
[8] Coronel M B, Vicente S, Resnik S L, et al. Food Control, 2016, 67: 285. [本文引用:1]
[9] Tao F, Yao H, Zhu F, et al. Journal of Agricultural and Food Chemistry, 2019, 67(18): 5230. [本文引用:1]
[10] De Girolamo A, von Holst C, Cortese M, et al. Food Chemistry, 2019, 282: 95. [本文引用:1]
[11] Hossain M Z, Goto T. World Mycotoxin Journal, 2014, 7(4): 507. [本文引用:1]
[12] JIANG Xue-song, ZHAO Tian-xia, LIU Xiao, et al(蒋雪松,赵天霞,刘潇,等)Spectroscopy and Spectral Analysis(光谱学与光谱分析), 2018, 38(12): 3729. [本文引用:1]
[13] Li H, Liang Y, Xu Q, et al. Analytica Chimica Acta, 2009, 648(1): 77. [本文引用:1]
[14] GB2761—2017, Limits of Mycotoxins in Food( 食品中真菌毒素限量). National Stand ards of the People’s Republic of China(中华人民共和国国家标准). [本文引用:1]
[15] Horvat D, Spanic V, Dvojkovic K, et al. Cereal Research Communications, 2014, 43(1): 61. [本文引用:1]
[16] Ruan R, Li Y, Lin X, et al. Applied Engineering in Agriculture, 2002, 18(5): 549. [本文引用:1]
[17] De Girolamo A, Cervellieri S, Cortese M, et al. Journal of the Science of Food and Agriculture, 2019, 99(4): 1946. [本文引用:1]
[18] De Girolamo A, Cervellieri S, Visconti A, et al. Toxins, 2014, 6(11): 3129. [本文引用:1]
[19] Jackowiak H, Packa D, Wiwart M, et al. International Journal of Food Microbiology, 2005, 98(2): 113. [本文引用:1]