蔣雪松，劉 鵬，沈 飛，周宏平，陳 青

（1.南京林業(yè)大學機械電子工程學院，江蘇 南京 210037；2.南京財經大學食品科學與工程學院，江蘇 南京 210046）

衰減全反射-傅里葉變換紅外光譜法對花生仁霉變的分析

蔣雪松1，劉 鵬1，沈 飛2，周宏平1，陳 青1

（1.南京林業(yè)大學機械電子工程學院，江蘇 南京 210037；2.南京財經大學食品科學與工程學院，江蘇 南京 210046）

為快速檢測貯藏花生的質量安全，對滅菌后的新鮮花生仁樣品分別接種5 種常見的有害霉菌，并于26 ℃、相對濕度80%條件下貯藏9 d。利用衰減全反射-傅里葉變換紅外光譜（attenuated total reflectance-Fourier transform infrared spectroscopy，ATR-FTIR）采集不同貯藏階段花生樣品在4 000～600 cm－1的光譜信息，通過權重分析闡述花生中侵染霉菌后光譜特征的變化，并結合偏最小二乘回歸（partial least squares regression，PLSR）分析建立樣品有害霉菌污染的定量分析模型。結果表明，不同貯藏階段樣品的峰譜出現明顯波動，PLSR模型對單一菌株與多種菌株樣品菌落總數的預測精度較高，其中對赭曲霉3.6486處理組樣品預測模型相對偏優(yōu)，有效決定系數（R2p）為0.915 7、交互驗證均方根誤差（root mean-square error of cross-validation，RMSECV）為0.208 0（lg（CFU/g））、剩余預測偏差（residual predictive deviation，RPD）為2.52；對多種菌株預測結果R2p、RMSECV、RPD分別為0.780 3、0.358 0（lg（CFU/g））與1.76。應用ATR-FTIR技術對花生受霉菌侵染的狀況進行快速分析具有可行性。

衰減全反射-傅里葉變換紅外光譜；花生仁；有害霉菌；快速檢測

自然界中廣泛存在多種霉菌，易侵染貯藏期的農副產品，從而造成嚴重的經濟損失，帶來食品安全問題。許多學者著手對霉菌進行研究，發(fā)現曲霉屬真菌易感染油類種子[1]如花生等，赭曲霉易感染貯藏期間的食物與谷物[2]。霉菌通過消耗農副產品中的營養(yǎng)并代謝產生霉菌毒素，從而嚴重危害人類與動物的健康。花生生長于地下，在豐收期過程中，它易攜帶土壤中存在的霉菌，如黃曲霉與寄生曲霉等[3]。在貯藏期間，由于溫度、濕度的改變，花生也極易發(fā)現霉變。食品中霉菌毒素的現有的檢測方法主要有生物學方法、免疫學方法[4]和化學儀器分析法。有學者采用了薄層色譜法[5-6]、高效液相色譜法[7-8]與酶聯免疫吸附法[9-10]等檢測了花生霉變。這些方法檢測精度高，但存在操作繁瑣、時效性差及成本高等不足。因此，亟需建立一種快速、準確及便捷的方法檢測花生霉變程度。

衰減全反射-傅里葉紅外光譜技術（attenuated total reflectance-Fourier transform infrared spectroscopy，ATRFTIR）可快速檢測樣品中光譜指紋特征，反映整個細胞中的分子振動特征[11]。它已成功用于檢測食用油中反式脂肪酸含量[12]、水果中蔗糖含量[13]、農業(yè)環(huán)境中霉菌種類[14]、微生物及病毒分析[15]等多方面研究。在花生研究方面，Mirghani等[16]采用FTIR對購買花生中黃曲霉毒素含量（黃曲霉毒素B1、B2、G1、G2）進行分析，通過偏最小二乘回歸分析（partial least square regression，PLSR）方法進行定量預測，其預測決定系數（R2）均超過0.97。姜科聲等[17]采用FTIR對7 種不同花生種子之間及花生烘烤前后狀態(tài)進行區(qū)分。Kaya-Celiker等[18]應用ATR-FTIR對霉變花生進行檢測，通過對霉變花生中摻入潔凈花生，使花生呈現不同霉變狀態(tài)，結合PLSR方法預測花生中黃曲霉毒素含量，從而判斷花生霉變程度，其有效決定系數（R2）達到0.99。綜上可知，應用傅里葉紅外光譜技術檢測花生霉變的研究較早，但是對貯藏期間花生霉變程度以及對花生中菌落總數和霉菌感染的種類研究較少。

本實驗采用ATR-FTIR技術對花生仁中5 種微量有害霉菌進行鑒別，利用不同貯藏階段樣品的指紋光譜信息，結合權重分析花生中侵染霉菌后光譜特征的變化，并運用PLSR對花生中菌落總數含量進行預測，為實現貯藏期間花生的質量安全進行監(jiān)控提供相關依據。

1 材料與方法

1.1 材料與試劑

花生仁樣品選購于南京當地超市，挑選表面沒有破損、發(fā)霉及發(fā)芽且大小均一的樣品，通過60Co強輻射（15 kGy）滅菌后，裝入無菌塑料密封袋中，置于4 ℃環(huán)境下，待用。

黃曲霉（Aspergillus flavus）3.17、黃曲霉（Aspergillus flavus）3.3950、寄生曲霉（Aspergillus parasiticus）3.395、寄生曲霉（Aspergillus parasiticus）3.0124與赭曲霉（Aspergillus ochraceus）3.64865 種霉菌均選購于中國北京北納創(chuàng)聯研究所，于馬鈴薯葡萄糖瓊脂（potato dextrose agar，PDA）培養(yǎng)基上培養(yǎng)。使用時，運用無菌塑料接種環(huán)將霉菌分生孢子接種至PDA培養(yǎng)基上26 ℃、80%相對濕度條件下活化培養(yǎng)7 d，運用無菌水沖洗分生孢子，通過平板計數方法調整無菌水調節(jié)孢子懸浮液濃度至105CFU/mL，待用。

1.2 儀器與設備

Tensor 27型傅里葉變換紅外光譜儀 德國Bruker公司；ZnSe衰減全反射附件 美國Pike公司；GNP_9160型隔水式恒溫培養(yǎng)箱 上海三發(fā)科學儀器有限公司；SW_ CJ_1F型單人雙面凈化工作臺 蘇州凈化設備有限公司；TP_214分析天平（精度0.0001 g） 丹佛儀器（北京）有限公司；FW_200型高速萬能粉碎機 北京中興偉業(yè)儀器有限公司。

1.3 方法

1.3.1 樣品處理

稱取每份質量約50 g的滅菌花生仁120 份，分成5 組，每組24 份。用移液器分別移取10 μL孢子懸浮液接種于每份花生仁表面，每組接種同一種霉菌，并在26 ℃、相對濕度80%條件下，貯藏9 d。期間，每隔3 d從每組中各取6 份樣品用于實驗分析。其中，第0天花生樣品設為對照組，樣品裝入無菌密封袋中。為使花生中霉菌及其代謝產物分配更加均勻，采用高速萬能粉碎機將花生磨成糊狀，并置于4 ℃環(huán)境下，待用。

1.3.2 樣品測定

在樣品掃描前，將冷藏花生糊置于室溫（23±1） ℃條件下2 h直至樣品達到室溫。采用FTIR及ATR附件掃描霉變花生糊樣品的光譜信息，ATR數據從配有ZnSe晶體的變角衰減全反射附件獲取，光線入射角為45°，樣品測量時，將花生糊均勻涂覆在ZnSe晶體的凹槽中，即可進行紅外掃描，測量結束后使用無菌毛巾擦拭干凈，再利用70%乙醇溶液擦洗ZnSe晶體，待ZnSe晶體表面乙醇完全揮發(fā)后進行下一次測量，為了防止花生樣品在檢測出油而影響實驗結果，并不使用壓力錘，同時以空氣為背景對樣品進行檢測，每測一個樣品前，均進行一次背景掃描。掃描波數范圍為4 000～600 cm－1，分辨率4 cm－1，掃描64 次[19]，每份花生糊掃描3 次，取平均值作為花生光譜數據。

1.3.3 樣品中菌落總數的測定

參照GB/T 4789.2—2010《食品微生物學檢驗 菌落總數測定》[20]進行操作。

1.4 數據處理

數據處理軟件采用TQ Analyst v6.2.1（Thermo Electron公司，美國）軟件。PLSR是一種強有力多變量統計分析工具，對樣品中菌落總數含量進行定量分析。將已獲取花生光譜數據作為自變量，菌落總數作為因變量，其中取2/3樣品作為建模集，1/3作為預測集。為了去除光譜中高頻隨機噪聲、基線漂移等帶來的誤差，采用標準正態(tài)變換、Savitzky-Golay[21]（13 點與3 次多項式平滑過濾）的預處理方法。在模型評價方面，主要考察有效決定系數（R2）、建模集均方根誤差（root meansquared error o f calibration，RMSEC）、預測集均方根誤差（root mean-squared error of prediction，RMSEP）、交互驗證均方根誤差（root mean-squared error of cross validation，RMSECV）和剩余預測偏差（residual predictive deviation，RPD）等統計量。其中RPD為標準偏差與預測均方根誤差的比值。

2 結果與分析

2.1 光譜區(qū)域選擇與分析

運用ATR-FTIR收集霉變花生的光譜信息，貯藏期間花生中菌落總數的增加及代謝產物排出，引起花生光譜中分子鍵的改變。由圖1可以看出，4 000～1 800 cm－1波數范圍內不同種類霉菌的光譜差異較小，在3 600～3 100 cm－1和1 700～1 500 cm－1波數范圍內由霉菌中蛋白質成分（主要為酰胺A、酰胺Ⅰ與酰胺Ⅱ）引起；在3 050～2 750 cm－1和1 500～1 300 cm－1波數范圍內由脂肪與蛋白質吸收鍵的形變振動引起；在2 750～1 800 cm－1波數范圍內的光譜變化較為平緩，但仍有部分噪聲波動，這是由于花生樣品放置于ATR附件上測量時ZnSe晶體表面反射所引起的；在900～600 cm－1波數范圍內波動主要由芳香環(huán)振動引起。因此，本實驗主要對1 800～900 cm－1指紋區(qū)域的光譜進行研究。

圖1 5 種霉變花生的ATR-FTIR原始平均光譜圖Fig.1 Averaged raw ATR-FTIR spectra of peanuts infected with five different fungal species

圖2 5 種霉變花生前3 個主成分權重光譜Fig.2 Spectra of first three principal components for peanut samples infected with five different fungal species

表1 ATR-FTIR光譜區(qū)的功能團特性[22-25]Table1 Functional groups identified from ATR-FTIR spectra[22-25]

為了進一步分析樣品光譜特性，對所有樣品前3 個主成分進行權重分析，結果如圖2所示，同時表1列出霉變花生中化學鍵變化波段及振動方式。觀察可知，第1主成分的最高權重位于1 743 cm－1與1 460 cm－1處，由于酮類及脂肪引起。第2主成分的最高權重位于1 726、1 378、1 131 cm－1以及1 088 cm－1處，主要由于脂肪、酯類及多糖引起。第3主成分的最高權重位于1 650、1 543、1 238 cm－1及1 160 cm－1處，主要由于蛋白質、磷酸鹽及多糖引起。花生霉變期間，蛋白質、脂肪與多糖等為霉菌生長提供主要營養(yǎng)[26]，在1 743 cm－1處由于花生中黃曲霉毒素G酮類的C＝O基團的伸縮振動引起，同時花生中甘油三酸酯的羰基也出現伸縮振動，隨著脂肪被水解，脂肪酸含量增加，1 726 cm－1附近存在較強的峰譜。在1 695～1 543 cm－1光譜區(qū)由于蛋白質（酰胺：amideⅠ和amideⅡ）中C＝O、C—N基團的伸縮振動引起，在1 460 cm－1與1 378 cm－1處由于脂肪中甲基與亞甲基的C—H基團出現振動引起，在1 200～900 cm－1之間主要由多糖引起，隨著花生樣品霉變程度的加深，在1 131、1 088 cm－1處酯類的C＝O基團出現伸縮振動。因此，隨著花生霉變侵染程度的加深，花生中營養(yǎng)物質逐漸被消耗，樣品的光譜信息也隨之改變。

2.2 花生霉變程度變化與霉菌菌落計數

谷物中侵染有害霉菌，并在適宜溫度、濕度條件下培養(yǎng)，谷物中的毒素含量與菌落總數均會隨之增加[27]。本實驗對無菌花生表面侵染5 種有害霉菌，并在26 ℃、相對濕度80%環(huán)境條件下貯藏9 d，對不同貯藏時間花生的菌落總數進行測定，5 種霉變花生的菌落總數范圍均分布于在2～4.5（lg（CFU/g））之間，即樣品的霉變程度不斷加深。本實驗依據菌落總數的變化將花生分成健康（低于2.7（lg（CFU/g）））、霉變（2.7～4（lg（CFU/g）））和重度霉變（高于4（lg（CFU/g）））[28]。圖3顯示：貯藏9 d期間5 種霉變花生中菌落總數的變化，可以發(fā)現隨著貯藏時間的延長，花生中菌落總數均逐漸增長。在前3 d時，除赭曲霉3.6486組已經達到霉變狀態(tài)外，其他樣品霉菌生長均較為平緩；到第6天時，黃曲霉3.3950和赭曲霉3.6486組滋生相對較為緩慢，剩余3 組增長速度明顯較快。其中，黃曲霉3.3950組仍處于健康狀態(tài)，其余4 組均已達到霉變狀態(tài)；到第9天時，寄生曲霉3.395與寄生曲霉3.0124組滋生速度開始放緩，而黃曲霉3.3950組增長速度加快，達到霉變狀態(tài)。黃曲霉3.17與赭曲霉3.6486組菌落總數均已超過4.0（lg（CFU/g）），已達到重度霉變。綜上，對無菌花生表面侵染5 種有害霉菌并貯藏9 d，花生中脂肪、蛋白質與碳水化合物等相繼被消耗，菌落總數隨之增加，即花生霉變程度加深，從而引起花生的特征譜帶強度和位置的變化。

圖3 5 種霉變花生中菌落總數隨時間的變化Fig.3 Changes in total number of molds in contaminated peanut samples during storage

2.3 PLSR分析結果

表2 花生中侵染5 種霉菌PLSR分析結果Table2 PLSR regression statistics of five fungal species in infected peanut sammpplleess

利用PLSR對花生中菌落總數進行預測，從而判斷花生的霉變程度，結果如表2所示。對單一霉菌進行建模時，可以得到較高的有效決定系數（R2）與較低的建模RMSEC，其中赭曲霉3.6486處理組建立模型相對最優(yōu)，即R2值為0.998 3，RMSEC為0.024 6（lg（CFU/g）），對單一霉菌進行留一交互驗證時，所得到RMSECV也偏低，其中黃曲霉3.17處理組的RMSECV值最大，為0.409 0（lg（CFU/g）），赭曲霉3.6486處理組的RMSECV值偏小，為0.208 0（lg（CFU/g）），而進行交互驗證時，RMSECV值的大小由PLS因子所決定[29]。對單一霉菌進行預測時，同樣得到較高的R2值與較低的預測RMSEP，RPD反映模型的預測分析能力，當RPD不小于3時，表明該模型的預測精度較優(yōu)，魯棒性好，可用于實際分析；當大于等于2且小于3時，表明該模型的具有定性分析的潛力，該模型的魯棒性有待提高；當大于等于1.5且小于2時，表明該模型可用于定性分析[30]?？梢钥闯鳇S曲霉3.3950處理組R2值相對最小，為0.723 1，而RMSEP值最低，為0.244 0（lg（CFU/g）），赭曲霉3.6486處理組的R2值相對最高，為0.915 7，RMSEP值已低于0.3，除了赭曲霉3.6486處理組RPD值為2.52，其余4組的RPD均低于2。綜上對比，對單一霉菌進行預測時，赭曲霉3.6486處理組得到結果相對最優(yōu)，Rp2、RMSECV與RPD值分別為0.915 7、0.208 0（lg（CFU/g））與2.52。

對花生侵染5 種霉菌的光譜信息建立PLSR預測分析模型，如圖4所示，共有120 個樣品用于建模，通過計算光譜數據中心平均值與一階微分排除4 個異常樣品，其中79 個樣品作為建模集，37 個樣品作為預測集。所有樣品均分布于中心線兩側，進行PLSR建模時，共計11 個因子用于建模計算，預測集Rp2、RMSECV與RPD值分別為0.780 3、0.358 0（lg（CFU/g））與1.76。結果表明，采用PLSR預測花生樣品菌落總數含量，從而判斷花生霉變狀態(tài)具有可行性。

圖4 多種霉菌感染花生后預測集模型Fig.4 Predictive model for total fungal species in infected peanut samples

3 結 論

本實驗應用ATR-FTIR技術對滅菌花生樣品中侵染5 種有害霉菌，并呈現出不同霉變程度的研究?；ㄉc霉菌均具有復雜結構，通過權重分析發(fā)現，花生的霉變程度在不斷加深時，花生中脂肪、蛋白質與多糖等成分的特征譜帶均呈現一定程度的波動。運用PLSR分析對花生中菌落總數進行預測，預測集結果Rp2、RMSECV與RPD值分別為0.780 3、0.358 0（lg（CFU/g））與1.76。結果表明ATR-FTIR技術作為一種快速、便捷的方式對貯藏期間的花生進行檢測，判斷花生是否發(fā)現霉變具有可行性。

[1] HORN B W. Colonization of wounded peanut seeds by soil fungi：selectivity for species from Aspergillus section Flavi[J]. Mycologia, 2005, 97(1)： 202-217. DOI：10.3852/mycologia.97.1.202.

[2] CABA?ES F J, SAHGAL N, BRAGULAT M R, et al. Early discrimination of fungal species responsible of ochratoxin A contamination of wine and other grape products using an electronic nose[J]. Mycotoxin Research, 2009, 25(4)： 187-192. DOI：10.1007/s12550-009-0027-x.

[3] GUEZLANE-TEBIBEL N, BOURAS N, MOKRANE S, et al. Aflatoxigenic strains of Aspergillus section Flavi isolated from marketed peanuts (Arachis hypogaea) in Algiers (Algeria)[J]. Annals of Microbiology, 2013, 63(1)： 295-305. DOI：10.1007/s13213-012-0473-0.

[4] YONG R K, COUSIN M A. Detection of moulds producing aflatoxins in maize and peanuts by an immunoassay[J]. International Journal of Food Microbiology, 2001, 65(1/2)： 27-38. DOI：10.1016/S0168-1605(00)00505-5.

[5] KAMIKA I, TAKOYA L L. Natural occurrence of aflatoxin B1in peanut collected from Kinshasa, Democratic Republic of Congo[J]. Food Control, 2011, 22(11)： 1760-1764. DOI：10.1016/j.foodcont.2011.04.010.

[6] SALEEMULLAH, IQBAL A, KHALIL I A, et al. Aflatoxin contents of stored and artificially inoculated cereals and nuts[J]. Food Chemistry, 2006, 98(4)： 699-703. DOI：10.1016/j.foodchem.2005.06.034.

[7] IQBAL S Z, ASI M R, ZUBER M, et al. Aflatoxins contamination in peanut and peanut products commercially available in retail markets of Punjab, Pakistan[J]. Food Control, 2013, 32(1)： 83-86. DOI：10.1016/ j.foodcont.2012.11.024.

[8] HUANG A F, HAN Z, CAI Z X, et al. Simultaneous determination of aflatoxins B1, B2, G1, G2, M1and M2in peanuts and their derivative products by ultra-high-performance liquid chromatography-tandem mass spectrometry[J]. Analytica Chimica Acta, 2010, 662(1)： 62-68. DOI：10.1016/j.aca.2010.01.002.

[9] MUTEGI C K, NGUGI H K, HENDRIKS S L, et al. Prevalence and factors associated with aflatoxin contamination of peanuts from Western Kenya[J]. International Journal of Food Microbiology, 2009, 130(1)： 27-34. DOI：10.1016/j.ijfoodmicro.2008.12.030.

[10] WANG Y, LI P, ZHANG Q, et al. A toxin-free enzyme-linked immunosorbent assay for the analysis of af l atoxins based on a VHH surrogate standard[J]. Analytical and Bioanalytical Chemistry, 2016, 408(22)： 5019-6026. DOI：10.1007/s00216-016-9370-x.

[11] SANTOS C, FRAGA M E, KOZAKIEWICZ Z, et al. Fourier transform infrared as a powerful technique for the identification and characterization of fi lamentous fungi and yeasts[J]. Research In Microbiology, 2010, 161： 168-175. DOI：10.1016/j.resmic.2009.12.007.

[12] FILHO P A C. Developing a rapid and sensitive method for determination of trans-fatty acids in edible oils using middle-infrared spectroscopy[J]. Food Chemistry, 2014, 158(1)： 1-7. DOI：10.1016/ j.foodchem.2014.02.084.

[13] NAIR R, VENKATESH S, ATHMASELVI K A, et al. Rapid estimation and quantif i cation of sucrose content in fruit juices using Fourier transform infrared-attenuated total reflectance (FTIR-ATR) spectroscopy[J]. Journal of Food Measurement and Characterization, 2016, 10(1)： 24-31. DOI：10.1007/s11694-015-9272-1.

[14] GARON D, El KADDOUMI A, CARAYON A, et al. FT-IR spectroscopy for rapid differentiation of Aspergillus fl avus, Aspergillus fumigatus, Aspergillus parasiticus and characterization of af l atoxigenic isolates collected from agricultural environments[J]. Mycopathologia, 2010, 170(2)： 131-142. DOI：10.1007/s11046-010-9304-7.

[15] BEEKES M, LASCH P, NAUMANN D. Analytical applications of Fourier transform-infrared (FT-IR) spectroscopy in microbiology and prion research[J]. Veterinary Microbiology, 2007, 123(4)： 305-319. DOI：10.1016/j.vetmic.2007.04.010.

[16] MIRGHANI M E S, CHE MAN Y B, JINAP S, et al. A new method for determining aflatoxins in groundnut and groundnut cake using fourier transform infrared spectroscopy with attenuated total reflectance[J]. Journal of the American Oil Chemists Society, 2001, 78(10)： 985-992. DOI：10.1007/s11746-001-0376-y.

[17] 姜科聲, 孔黎春, 余鵬, 等. 不同花生品種的紅外光譜分析[J]. 光譜實驗室, 2008, 25(4)： 550-553. DOI：10.3969/ j.issn.1004-8138.2008.04.009.

[18] KAYA-CELIKER H, MALLIKARJUNANA P K, SCHMALE D, et al. Discrimination of moldy peanuts with reference to af l atoxin using FTIR-ATR system[J]. Food Control, 2014, 44： 64-71. DOI：10.1016/ j.foodcont.2014.03.045.

[19] FERREIRA D S, GAL?O O F, PALLONE J A L, et al. Comparison and application of near-infrared (NIR) and mid-infrared (MIR) spectroscopy for determination of quality parameters in soybean samples[J]. Food Control, 2014, 35(1)： 227-232. DOI：10.1016/ j.foodcont.2013.07.010.

[20] 衛(wèi)生部. 食品微生物學檢驗 菌落總數測定： GB/T 4789.2—2010[S].北京： 中國標準出版社, 2010.

[21] SAVITZKY A, GOLAY M J E. Smoothing and differentiation of data by simplif i ed least squares procedures[J]. Analytical Chemistry, 1964, 36(8)： 1627-1639. DOI：10.1021/ac60214a047.

[22] HELM D, LABISCHINSKI H, NAUMANN D. Elaboration of a procedure for identification of bacteria using Fourier-transform IR spectral libraries： a stepwise correlation approach[J]. Journal of Microbiological Methods, 1991, 14(2)： 127-142. DOI：10.1016/0167-7012(91)90042-O.

[23] NIE M, ZHANG W Q, XIAO M, et al. FT-IR spectroscopy and artif i cial neural network identif i cation of Fusarium species[J]. Journal of Phytopathology, 2007, 155(6)： 364-367. DOI：10.1111/j.1439-0434.2007.01245.x.

[24] LECELLIER A, MOUNIER J, GAYDOU V, et al. Differentiation and identification of filamentous fungi by high-throughput FTIR spectroscopic analysis of mycelia[J]. International Journal of Food Microbiology, 2014, 168/169(3)： 32-41. DOI：10.1016/ j.ijfoodmicro.2013.10.011.

[25] GUILLéN M D, CABO N. Infrared spectroscopy in the study of edible oils and fats[J]. Journal of the Science of Food and Agriculture, 1997, 75(1)： 1-11. DOI：10.1002/(SICI)1097-0010(199709)75：1＜1：AIDJSFA842＞3.0.CO;2-R.

[26] FANELLI C, FABBRI A A, PASSI S. Growth requirements and lipid metabolism of Aspergillus fl avus[J]. Transactions of the British Mycological Society, 1980, 75(3)： 371-375. DOI：10.1016/S0007-1536(80)80115-X.

[27] CHOI S, JUN H, BANG J, et al. Behaviour of Aspergillus flavus and Fusarium graminearum on rice as affected by degree of milling, temperature, and relative humidity during storage[J]. Food Microbiology, 2015, 46： 307-313. DOI：10.1016/j.fm.2014.08.019.

[28] KAYA-CELIKERA H, MALLIKARJUNAN P K, KAAYAB A. Mid-infrared spectroscopy for discrimination and classification of Aspergillus spp. contamination in peanuts[J]. Food Control, 2015, 52：103-111. DOI：10.1016/j.foodcont.2014.12.013.

[29] FERRIRA D S, PALLONE J A L, POPPI R J. Fourier transform nearinfrared spectroscopy (FT-NIRS) application to estimate Brazilian soybean [Glycine max (L.) Merril] composition[J]. Food Research International, 2013, 51(1)： 53-58. DOI：10.1016/j.foodres.2012.09.015.

[30] HERRMANN S, MAYER J, MICHEL K, et al. Predictive capacity of visible-near infrared spectroscopy for quality parameter assessment of compost[J]. Journal of Near Infrared Spectroscopy, 2009, 17(5)： 289-301. DOI：10.1255/jnirs.850.

Analysis of Moldy Peanut Kernel by Attenuated Total Reflectance-Fourier Transform Infrared Infrared Spectroscopy

JIANG Xuesong1, LIU Peng1, SHEN Fei2, ZHOU Hongping1, CHEN Qing1
(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 210046, China)

Peanut products are susceptible to changes in temperature and relative humidity (RH) during storage. Peanuts are easily infected by hazardous fungal species, producing a variety of potent mycotoxins. This study aimed to develop a method for the rapid detection of moldy peanuts. Firstly, clean and fresh peanut kernels were sterilized and inoculated individually with fi ve common hazardous fungal species. Then, the samples were stored at 26 ℃ and 80% RH for9 days. During this period, spectral information of the peanut samples in the wave number range of4 000 to 600 cm-1were collected using attenuated total re fl ectance-Fourier transform infrared spectroscopy (ATR-FTIR). The spectral changes of peanut samples infected with different fungal species were analyzed by loading analysis. A quantitative model to predict contamination levels of hazardous fungi in peanut samples was developed by partial least squares regression (PLSR). The results showed that the spectral alterations for the samples were clearly fl uctuated during different storage periods. The PLSR model could predict the total number of colonies of single and multiple strains in fungus-infected peanut samples with good accuracy. Especially, the model provided better prediction of Aspergillus ochraceus 3.6486 infection with a coef fi cient of determination for the prediction set (Rp2) of 0.915 7, a root mean-square error of cross-validation (RMSECV) of 0.208 0 (lg (CFU/g)) and a residual predictive deviation (RPD) of 2.52. The R2p, RMSECV and RPD values of the prediction model for total fungal species were 0.780 3, 0.358 0 (lg (CFU/g)) and 1.76, respectively. These fi ndings demonstrated that ATR-FTIR could be used as a reliable analytical method for rapid determination of fungal contamination levels in peanuts during storage.

attenuated total reflectance-Fourier transform infrared spectroscopy (ATR-FTIR); peanut kernel; hazardous fungi; rapid detection

10.7506/spkx1002-6630-201712049

中圖分類號：TS255.7；O657.33 文獻標志碼：A 文章編號：1002-6630（2017）12-0315-06

2016-07-24

南京林業(yè)大學青年科技創(chuàng)新基金項目（CX2015010）；江蘇省高校優(yōu)秀中青年教師和校長境外研修資助項目（蘇教辦師〔2015〕7號）；“十二五”國家科技支撐計劃項目（2014BAD08B04）；江蘇高校優(yōu)勢學科建設工程資助項目（PAPD）

蔣雪松（1979—），男，副教授，博士，研究方向為生物傳感器技術。E-mail：xsjiang@126.com

蔣雪松, 劉鵬, 沈飛, 等. 衰減全反射-傅里葉變換紅外光譜法對花生仁霉變的分析[J]. 食品科學, 2017, 38(12)： 315-320.

10.7506/spkx1002-6630-201712049. http：//www.spkx.net.cn

JIANG Xuesong, LIU Peng, SHEN Fei, et al. Analysis of moldy peanut kernel by attenuated total reflectance-Fourier transform infrared infrared spectroscopy[J]. Food Science, 2017, 38(12)： 315-320. (in Chinese with English abstract) DOI：10.7506/ spkx1002-6630-201712049. http：//www.spkx.net.cn