基于HS-GC-IMS-VGGNet架构的黑木耳中椰毒假单胞菌及其毒素米酵菌酸的智能检测新方法

针对黑木耳中椰毒假单胞菌（BGC）及其毒素米酵菌酸（BKA）缺乏早期检测方法的难题，研究人员创新性地结合顶空气相色谱-离子迁移谱（HS-GC-IMS）与卷积神经网络（VGGNet），构建了非破坏性快速检测体系。该方法对BGC的检测准确率达93.8%，生物量检测限（LOD）为80 CFU/mL，并可直接在基质中检测0.25 mg/L的BKA，同时通过梯度加权类激活映射（Grad-CAM）提取28种特征挥发物，为食品安全风险防控提供了绿色高效的解决方案。

　　

论文解读

在“大食物观”背景下，食用菌作为营养宝库对贫困地区民生至关重要。然而，黑木耳（Auricularia auricula, AA）因椰毒假单胞菌（Burkholderia gladioli pv. cocovenenans, BGC）污染产生的米酵菌酸（Bongkrekic acid, BKA）具有致命毒性，其半数致死量（LD₅₀）仅3.16 mg/kg，但现有检测技术如液相色谱-质谱法前处理复杂，PCR需24小时富集步骤，难以满足快速筛查需求。

为解决这一难题，来自陕西的科研团队在《Food Chemistry》发表研究，首次将顶空气相色谱-离子迁移谱（Headspace-Gas Chromatography-Ion Mobility Spectrometry, HS-GC-IMS）与深度学习结合，开发了HS-GC-IMS-VGGNet智能检测平台。该技术通过捕获微生物挥发物指纹图谱，利用VGGNet的16-19层卷积结构提取特征，结合梯度加权类激活映射（Gradient-weighted Class Activation Mapping, Grad-CAM）实现特征可视化。实验采用陕西柞水县的黑木耳及BGC菌株（NC18、NC22等），构建了含六种微生物污染的样本集。

数据样本制备
研究选取AA基质中BGC及其竞争菌株，通过HS-GC-IMS直接采集挥发物数据，避免了传统方法中有机溶剂消耗问题。

深度学习分类
VGGNet模型对BGC污染的识别准确率达93.8%，生物量检测限（LOD）和定量限（LOQ）分别为80 CFU/mL和241 CFU/mL；对BKA的LOD低至0.25 mg/L，覆盖0–1.54 mg/kg的实际污染范围。Grad-CAM热图定位到28个关键挥发物，如2-壬酮和1-辛烯-3-醇，揭示了微生物代谢特征。

结论与意义
该研究开创了人工智能在食用菌毒素检测领域的应用先河，其非破坏性、无需前处理的特点显著提升了检测效率。通过Grad-CAM解析CNN决策依据，不仅增强模型可解释性，还为非专家识别生物标志物提供了新思路。技术获中国国家重点研发计划（2019YFC1606702-05）等资助，对保障食品安全和推动绿色分析化学发展具有双重价值。

（注：全文数据及术语均严格依据原文，未添加非文献内容）