黃海峰,陳秀珊,劉鳳銀,王 宇,劉 佳,梁 岳,阮 媚,高向陽(yáng),穆洪濤,*

(1.廣東第二師范學(xué)院生物與食品工程學(xué)院,廣東廣州 510303； 2.廣州市食品檢驗(yàn)所,廣東廣州 511400； 3.華南農(nóng)業(yè)大學(xué)食品學(xué)院,廣東廣州 510642)

隨著生活水平的不斷提高,飲食習(xí)慣、消費(fèi)行為和食品供應(yīng)鏈產(chǎn)業(yè)的不斷變化,人們更加重視食品的質(zhì)量?？焖贌o損檢驗(yàn)技術(shù)成為食品分析檢驗(yàn)發(fā)展的一個(gè)重要方向。前表面熒光光譜法(Front-Face Fluorescence Spectrometry,FFFS)用于食品分析檢驗(yàn)時(shí)具有快速、靈敏和無損的優(yōu)點(diǎn),是一項(xiàng)具有巨大應(yīng)用前景的新型檢測(cè)技術(shù)。FFFS法是基于分子被光子激發(fā)而產(chǎn)生熒光的特性,對(duì)非透明或非澄清的液體和固體樣品的表面分子所產(chǎn)生的熒光進(jìn)行收集和測(cè)量的方法。FFFS的激發(fā)光無法像傳統(tǒng)的透射熒光光譜法一樣穿透樣品,而是僅對(duì)樣品表面的分子進(jìn)行熒光的激發(fā),樣品和激發(fā)光之間必須形成一個(gè)特殊的夾角,以確保數(shù)據(jù)免受激發(fā)光反射的干擾(圖1)。熒光光譜法因其數(shù)據(jù)量大、復(fù)雜且高維的特性,一般結(jié)合使用化學(xué)計(jì)量學(xué)進(jìn)行數(shù)據(jù)挖掘和處理,以實(shí)現(xiàn)對(duì)樣品的分析檢測(cè)。FFFS法避免了復(fù)雜的樣品前處理程序,具有快速、靈敏的特點(diǎn),在食品的質(zhì)量分析中應(yīng)用前景廣闊,特別適合大量食品樣品的質(zhì)量篩查,是一種經(jīng)濟(jì)有效的分析檢驗(yàn)方法。本文對(duì)前表面熒光光譜的基本原理、前表面熒光光譜分析中常用的化學(xué)計(jì)量學(xué)方法和國(guó)內(nèi)外此方法在各種食品中的應(yīng)用進(jìn)展進(jìn)行了綜述。

圖1 前表面熒光的原理圖Fig.1 Schematic diagram of front-face fluorescence

1 前表面熒光光譜

1.1 食品中熒光的物質(zhì)基礎(chǔ)

食品營(yíng)養(yǎng)豐富成分復(fù)雜,多以渾濁、非透明或非澄清的液體和固體等狀態(tài)存在,如酒類、油脂類、肉類、谷物類、乳類、魚類、面包糕點(diǎn)類、蛋類和水果類等食品。相較于傳統(tǒng)的熒光光譜法只能用于透明樣品的局限性,FFFS基于食品樣品表面的熒光信號(hào)進(jìn)行分析,免去了繁雜的樣品前處理步驟,優(yōu)勢(shì)明顯。食品中含有多種熒光物質(zhì),如維生素、氨基酸、蛋白質(zhì)、核酸等,利用不同樣品中的某些共有物質(zhì)及其相對(duì)含量的差異可以對(duì)樣品進(jìn)行摻假鑒別[1-2]和質(zhì)量分類[3];也可針對(duì)食品中的某些特殊物質(zhì)(如紅酒中的多酚[4])進(jìn)行定量分析;另外,對(duì)于某些本身無熒光但因熒光猝滅效應(yīng)或共振能量轉(zhuǎn)移效應(yīng)的物質(zhì),理論上也可通過此方法進(jìn)行判定和分析[5]。大多數(shù)食品成分復(fù)雜(如魚肉和畜禽肉[6]),需利用FFFS獲得的熒光光譜,結(jié)合化學(xué)計(jì)量學(xué)方法對(duì)熒光數(shù)據(jù)中細(xì)微差異進(jìn)行提取和分析,與化學(xué)計(jì)量學(xué)方法的聯(lián)用大大擴(kuò)大了FFFS在食品質(zhì)量分析中的應(yīng)用范圍。

1.2 前表面熒光光譜法分析的基本流程

FFFS的分析步驟包括:進(jìn)行樣品熒光信息的收集和整理,并通過等高線圖譜和三維熒光光譜圖(圖2)等對(duì)簡(jiǎn)單的熒光特征峰等進(jìn)行判斷和歸類分析;依據(jù)實(shí)驗(yàn)?zāi)康暮蜔晒鈹?shù)據(jù)的特點(diǎn)選擇合適的化學(xué)計(jì)量學(xué)方法進(jìn)行數(shù)據(jù)處理;結(jié)合實(shí)際情況與科學(xué)性,分析并得出結(jié)論。

圖2 人血清白蛋白(Human Serum Albumin,HSA)的三維熒光圖譜(a)和等高線圖譜(b)Fig.2 Three-dimensional emission spectra(a) and Contour map(b)of HAS注:CHSA=4.3×10-7 mol/L,T=298 K。

2 前表面熒光光譜分析中常用的化學(xué)計(jì)量學(xué)方法

化學(xué)計(jì)量學(xué)是一門通過統(tǒng)計(jì)學(xué)或數(shù)學(xué)方法將對(duì)化學(xué)體系的測(cè)量值與體系的狀態(tài)之間建立聯(lián)系的學(xué)科,在前表面熒光光譜分析中有著舉足輕重的作用。通過化學(xué)計(jì)量學(xué)可以對(duì)數(shù)據(jù)量大、復(fù)雜和高維的熒光數(shù)據(jù)進(jìn)行選擇、簡(jiǎn)化和降維,具有在復(fù)雜的數(shù)據(jù)中提取光譜數(shù)據(jù)與判斷因變量之間存在的內(nèi)在關(guān)系功能。常用于前表面熒光光譜分析的化學(xué)計(jì)量學(xué)方法主要有二維統(tǒng)計(jì)學(xué)方法、模式識(shí)別法、二階校正法等。

2.1 二維統(tǒng)計(jì)學(xué)方法(Two-Dimensional Statistical Method)

二維統(tǒng)計(jì)學(xué)方法,即將三維圖譜中的熒光信息以二維的形式離散化表示,基于離散化的數(shù)據(jù)利用統(tǒng)計(jì)學(xué)方法表示其分布特征(線性特征),通常使用平均值、標(biāo)準(zhǔn)差、原點(diǎn)矩,x與y的相關(guān)系數(shù)等。二維統(tǒng)計(jì)學(xué)方法常應(yīng)用于簡(jiǎn)單的FFFS分析,如:求樣品中某單一量。

2.2 模式識(shí)別算法(Pattern Recognition Algorithm)

模式識(shí)別算法用于提取三維光譜中最符合研究目的的熒光信息,便于復(fù)雜成分的鑒別和分析。常見的方法有主成分分析法(Principal Component Analysis,PCA)[8]、Fisher線性判別法(Linear Discriminant Analysis,LDA)[9]和獨(dú)立成分分析法(Independent Component Analysis,ICA)[10]。PCA是將原先變量重新組合成一組新的互相無關(guān)的綜合變量,同時(shí)可根據(jù)熒光的特征,從中提取較少的盡可能反應(yīng)原變量信息的變量,也是一種數(shù)學(xué)降維方法;LDA是另一種數(shù)據(jù)降維的方法,既考慮了各類參考總體出現(xiàn)的概率大小,又考慮了因誤判造成的損失大小,比較適合在樣本數(shù)量較少情況下進(jìn)行判別;ICA是一種將互相獨(dú)立但混雜的熒光信號(hào)解混并分析的一種化學(xué)計(jì)量學(xué)方法,它與PCA的差別是PCA僅適用于高斯分布而ICA適用于多數(shù)統(tǒng)計(jì)學(xué)運(yùn)算?；瘜W(xué)計(jì)量學(xué)中的(偏)最小二乘法、奇異值分解等方法通常與模式識(shí)別方法結(jié)合使用。

2.3 二階校正法(Second-Order Calibration Method)

利用二階校正法對(duì)前表面熒光數(shù)據(jù)進(jìn)行分析處理,可分離樣品中多種熒光物質(zhì),也可對(duì)存在未知物質(zhì)或干擾物的多個(gè)樣品進(jìn)行多組分直接定量分析,避免了樣品復(fù)雜的前處理和多次建模分析的繁瑣流程,使數(shù)據(jù)處理過程更加省時(shí)、高效。

由一系列向量構(gòu)成的矩陣的數(shù)據(jù)稱為二階數(shù)據(jù)。FFFS的激發(fā)-發(fā)射矩陣(Excitation-Emission Matrix,EEM)數(shù)據(jù)屬于二階數(shù)據(jù),目前對(duì)于二階數(shù)據(jù)主要的處理方法有直接求解法和三線性分解法。

2.3.1 直接求解法 直接求解法常見有廣義秩消因子法(Generalized Rank Annihilation Factor Analysis,GREM)和直接三線性分解法(Direct Trilinear Decomposition,DTLD)。GREM主要用于一個(gè)校準(zhǔn)分析體系和一個(gè)未知組分的分析體系[11];DTLD目的是得到最小二乘的解,可以對(duì)多個(gè)樣品體系進(jìn)行線性優(yōu)化,但常因出現(xiàn)虛數(shù)解而失效。直接求解方法適用于信噪比較高、組分?jǐn)?shù)難以準(zhǔn)確估計(jì)的化學(xué)體系[12]。

2.3.2 三線性分解法 三線性分解法常見有平行因子分析法(Parallel Factor Analysis,PARAFAC)、交替三線性分解法(Alternating Trilinear Decomposition,ATLD)、自加權(quán)交替三線性分解法(Self-weighted Alternating Trilinear Decomposition,SWATLD)、N向偏最小二乘法(N-way partial least squares,N-PLS)、多元曲線分辨交替最小二乘法(Mutivariate Curve Resoution-aternating East Suare,MCR-ALS)。PARAFAC是最常見的三維數(shù)據(jù)處理方法,可以完全識(shí)別具有足夠多的三維變量的樣品體系,但普遍存在的缺點(diǎn)是收斂速度較慢,對(duì)噪聲或模型偏差較敏感[13];ATLD基于最小二乘原理和遞次求近法的改進(jìn),較PARAFAC具有更快的收斂速度,在噪聲或模型偏差的情況下仍具有較高準(zhǔn)確性[14]。SWATLD基于ATLD,是一種具有快速收斂速度且對(duì)干擾因素不敏感的穩(wěn)定方法。SWATLD在處理因子數(shù)量不同的分析體系時(shí)(不少于真實(shí)因子的數(shù)量),性能十分穩(wěn)定,它可以不需要像PARAFAC那樣花費(fèi)大量時(shí)間和精力來精確地確定所研究的分析體系中的基本因子數(shù)量,是使用最廣泛的化學(xué)計(jì)量學(xué)之一[15];N-PLS由展開偏最小二乘法(Unfolded-Partial Least Squares,U-PLS)發(fā)展而來,N-PLS較于其它的化學(xué)計(jì)量學(xué)方法穩(wěn)定性更高,但一般不單獨(dú)使用,結(jié)合分散(L1-懲罰式)N向偏最小二乘法[Sparse(L1-penalized)N-PLS regression]的添加變量選擇降低預(yù)測(cè)誤差,從而提高N-PLS的可解釋性和可使用性[16]。MCR-ALS是一種較為新型的化學(xué)計(jì)量學(xué)方法，通?；谟残詣?dòng)態(tài)建模(Kinetic Hard-modeling)[17]和MCR-ALS相關(guān)校準(zhǔn)，結(jié)合多元多線性分析結(jié)構(gòu)模型[18]來描述數(shù)據(jù)集的規(guī)律性。在運(yùn)行MCR-ALS可以添加預(yù)測(cè)初步子空間最大可能性的步驟來降低噪聲傳播效應(yīng)，一般用于減少非同方差的誤差和直接選擇組分?jǐn)?shù)目，以提高M(jìn)CR-ALS初始預(yù)測(cè)的準(zhǔn)確性[19]。

3 前表面熒光在不同食品中的應(yīng)用

熒光光譜法被廣泛地運(yùn)用于食品質(zhì)量分析領(lǐng)域,普通熒光掃描在熒光光譜法中占主導(dǎo)地位,前表面熒光掃描雖然前景良好,優(yōu)勢(shì)明顯,但是受限于技術(shù)發(fā)展,仍未被廣泛使用。普通熒光掃描在國(guó)內(nèi)外的研究中主要用于物質(zhì)的相互作用分析[20]和物質(zhì)的定量分析[21],下文主要?dú)w納總結(jié)FFFS在食品領(lǐng)域的應(yīng)用進(jìn)展,如飲料類、油脂類、肉類、谷物類、乳制品類、魚類、面包糕點(diǎn)類、蛋類、水果類等,表1列舉了FFFS在食品分析領(lǐng)域的應(yīng)用,并對(duì)各類食品的前表面熒光檢測(cè)過程做了詳細(xì)描述。

表1 FFFS在食品領(lǐng)域應(yīng)用一覽表Table 1 Application list of FFFS in food industry

3.1 酒類

葡萄酒成分包括80%～86%水,10%～15%酒精和少量的多酚化合物,如黃酮類、花青素、酚酸和聚合單寧等[44]。多酚化合物常用于葡萄酒的前表面熒光分析中,用以葡萄酒種類鑒別和定量分析。但在研究多酚類化合物時(shí),常在葡萄酒的自然pH條件下進(jìn)行,pH改變可引起多酚的結(jié)構(gòu)變化從而導(dǎo)致其熒光光譜顯著變化,為保證判定指標(biāo)的單一性,可通過引入pH作為附加參數(shù)以提高葡萄酒的鑒別能力[45]。

FFFS可應(yīng)用于發(fā)酵過程中葡萄酒品種的鑒別和產(chǎn)地的分辯[22],品種的鑒別利用咖啡酸;產(chǎn)地的分辨利用色氨酸和羥基苯甲酸衍生物;釀酒的鑒別利用兒茶酸和對(duì)羥苯基乙醇的相關(guān)熒光基團(tuán)。也可應(yīng)用于葡萄酒烈酒白蘭地的鑒別,如對(duì)白蘭地與混合酒的鑒別[46],其熒光物質(zhì)如表兒茶素、兒茶素、咖啡酸、沒食子酸、香草酸的熒光特征峰通常在λex=240～290 nm和λem=290～450 nm區(qū)間,白藜蘆醇主要在λex=300～360 nm和λem=330～400 nm區(qū)間內(nèi)[47],綜上所述,酚類物質(zhì)是基于前表面熒光對(duì)葡萄酒類的食品進(jìn)行熒光分析的重要成分。

啤酒的苦味來自于啤酒花中的α酸[48],但α酸對(duì)熒光的貢獻(xiàn)不大,不能作為FFFS的判別標(biāo)準(zhǔn),啤酒中熒光貢獻(xiàn)率最大的化合物為核黃素和芳香族氨基酸,因此,核黃素和芳香族氨基酸通常作為研究啤酒品質(zhì)的判別依據(jù)[23],芳香族氨基酸中,熒光貢獻(xiàn)率較大為色氨酸(λex=230 nm,λem=350 nm)和酪氨酸(λex=280 nm,λem=345 nm)。

3.2 油脂類

油脂類的研究主要集中在植物油方面,如橄欖油、大豆油、花生油和葵花籽油等,通常通過天然抗氧化成分,如酚類化合物、維生素(VB2、VE)和色素(葉綠素,類胡蘿卜素等)等對(duì)油脂進(jìn)行品質(zhì)評(píng)價(jià)[49]用以辨別區(qū)分油脂的種類。由于酚類化合物影響橄欖油的營(yíng)養(yǎng)程度、感官特性和氧化穩(wěn)定性,一般以油脂類的多酚化合物作為研究對(duì)象,橄欖油也可基于前表面熒光對(duì)總酚(TPC)進(jìn)行定量[50],但大多數(shù)研究方向仍然為品質(zhì)鑒定(變化過程的研究)[51-52]和摻假判別[53-55]。研究的食品不僅僅局限于油脂,也可應(yīng)用于成分中含有油脂的食品,如蛋黃醬則利用了油脂中的酪氨酸、色氨酸和核黃素來進(jìn)行品質(zhì)鑒定[56]。

因植物油澄清透明,在使用熒光方法進(jìn)行檢測(cè)時(shí),既可以運(yùn)用傳統(tǒng)透射熒光法又可使用FFFS,與傳統(tǒng)透射熒光相比,使用FFFS掃描獲得的光譜數(shù)據(jù)信號(hào)強(qiáng)度明顯提高(橄欖油樣品透射的發(fā)射熒光強(qiáng)度由2個(gè)光度單位增加到12個(gè)),可見內(nèi)濾光現(xiàn)象對(duì)普通的熒光光譜法具有很大的影響,故在橄欖油的研究中,FFFS優(yōu)于傳統(tǒng)透射熒光方法[57]。吳希軍等[58]在其研究成果中利用熒光光譜對(duì)市售的八種植物油(大豆油、玉米油、橄欖油、稻米油、花生油、核桃油、葵花籽油和芝麻油)的三維熒光圖譜進(jìn)行了闡述,較為系統(tǒng)地區(qū)分了植物油的種類。鑒于我國(guó)國(guó)情,地溝油問題時(shí)有發(fā)生,FFFS在對(duì)地溝油的檢測(cè)上有很好的應(yīng)用前景。地溝油中成分混雜且具有不確定性,很難僅從單一指標(biāo)來辨別,目前一般根據(jù)維生素和酚類抗氧化劑在反復(fù)煎炸過程中的減少(被氧化)量來辨別煎炸油(UFO)在精制植物油(EVO)的摻假度[59],故FFFS對(duì)地溝油的鑒定的前景巨大,利用價(jià)值非常高。

3.3 肉類

在研究肉類過程中,由于肉類的組織分布不均勻,容易造成結(jié)果的偏差。肉類應(yīng)用于FFFS時(shí)需要預(yù)處理,常用的方法是利用液氮將肉類冷卻并研磨為粉末,具體的操作步驟以牛肉為例:將牛肉切成1 cm3的立方塊,放入液氮中-80 ℃保存后研磨成牛肉液氮粉末進(jìn)行前表面熒光的研究[60]。研究肉類常見為牛肉,可對(duì)牛肉的胸縱肌、腹直肌和半腱肌進(jìn)行辨別分類,通常以λex=335 nm作為FFFS的最佳鑒別波長(zhǎng),而且FFFS往往是在肌肉樣本之間進(jìn)行區(qū)分的最佳鑒別方式[61]。肉類的自體熒光成分復(fù)雜,利用λex=340 nm的激發(fā)光對(duì)骨、軟骨、結(jié)締組織和肉分別進(jìn)行熒光檢測(cè),肉的熒光信號(hào)最弱,骨、軟骨和結(jié)締組織的熒光信號(hào)均較強(qiáng),但有共性,即都有λex=390 nm,λem=455 nm和λem=475 nm的尖峰[62]。肉類的成分復(fù)雜,通常用于前表面熒光分析的化合物有脂質(zhì)氧化產(chǎn)物[63]、原卟啉IX[64]、膠原蛋白、NADH和色氨酸殘基等,也可以通過維生素、抗氧化劑以及天然色素分子對(duì)肉類進(jìn)行研究[65]。在肉類的熒光研究中,通常使用干物質(zhì)含量、脂肪含量、蛋白質(zhì)含量、膠原蛋白含量等指標(biāo)綜合判別肉的種類,理化檢測(cè)與熒光光譜法相結(jié)合共同表征則可以更好解決肉類的品質(zhì)鑒別問題。因成分復(fù)雜,干擾因素較多,肉類的熒光研究難度大,穩(wěn)定性差,目前尚無對(duì)肉類中的物質(zhì)進(jìn)行定量的研究,但肉類于生活中甚為重要,故研究?jī)r(jià)值和潛力巨大。

3.4 魚類

魚類與肉類的研究方法類似,目前FFFS在魚肉方面的研究主要集中在新鮮度和質(zhì)量評(píng)估方面。魚肉的脂質(zhì)和蛋白質(zhì)在各種相同的組織成分中分布相對(duì)均勻,因而可以將魚肉切成1 cm3的肉塊進(jìn)行檢測(cè)[32]。魚類的研究通常使用激發(fā)光λex=290、340、380、410 nm激發(fā)后的熒光發(fā)射光譜進(jìn)行分析辨別[66-68]。同肉類相似,魚肉的成分復(fù)雜,內(nèi)源性熒光化合物較多,在進(jìn)行魚肉的新鮮度判別和質(zhì)量評(píng)估時(shí),需要結(jié)合常規(guī)的理化指標(biāo)進(jìn)行分析。物理化學(xué)指標(biāo)主要由AOAC方法直接進(jìn)行成分分析測(cè)定[69]和FFFS結(jié)合TVB-N含量(mg/100 g)[70]對(duì)鱈魚肉進(jìn)行質(zhì)量評(píng)估[71]。基于前表面熒光強(qiáng)度對(duì)魚肉進(jìn)行分析,一般以色氨酸和NADH熒光信號(hào)作為測(cè)量指標(biāo)并結(jié)合物理化學(xué)指標(biāo)進(jìn)行綜合研究。

3.5 乳制品類

基于UPLC-Q-Exactive Orbitrap Mass對(duì)山羊奶、牛奶和豆奶脂質(zhì)組分的分析研究中,脂質(zhì)的含量和分布具有顯著性差異[72],但乳類中脂質(zhì)熒光貢獻(xiàn)率一般較低。在乳制品中,熒光貢獻(xiàn)率占主導(dǎo)地位的是核黃素、氨基酸、NADH和FADH。牛乳是乳制品中常見的研究對(duì)象,蛋白質(zhì)含量高,包括色氨酸(λex=230 nm,λem=350 nm)、酪氨酸(λex=280 nm,λem=345 nm)、NADH(λex=370 nm,λem=520 nm)和FADH(λex=450 nm,λem=525 nm),故蛋白質(zhì)為研究牛乳的研究對(duì)象之一[73]。乳類的成分相對(duì)肉類簡(jiǎn)單,自體熒光物質(zhì)、熒光信號(hào)相互獨(dú)立且明顯,能夠高效地辨別乳類中摻加的抗生素等外源物質(zhì)，研究磷鈣酸鹽等物質(zhì)對(duì)牛乳的影響[73-74]，研究加熱過程中的視黃醇的變化[75],以及山羊乳和牛乳的摻假[76]等。乳類食品的研究方向多而且較為深入,一般以維生素和氨基酸以及NADH和FADH作為研究對(duì)象,來探究乳制品的摻假[77-78]以及外源條件對(duì)乳制品的影響[79-80]等。FFFS還可以對(duì)乳制品中的物質(zhì)進(jìn)行定量[81]。由于乳制品的特性,一般將牛乳作為熒光的基本研究樣品。

3.6 谷物類

不同種類的谷物所表現(xiàn)出來熒光特征峰的種類和強(qiáng)度各不相同。谷物產(chǎn)品的鑒別如:小麥、玉米、黑麥、大米、燕麥、大麥和蕎麥等[82]通常將谷物樣品研磨成粉末狀,通過前表面熒光技術(shù)對(duì)樣品粉末進(jìn)行掃描,得到各類樣品的三維熒光圖譜,結(jié)合化學(xué)計(jì)量學(xué)分析熒光數(shù)據(jù)之間的差異則可以對(duì)樣品進(jìn)行初步的判別分析。Ahmad等[83]對(duì)谷類粉末的內(nèi)在熒光進(jìn)行了深入的研究,在λex=255～305 nm,λem=300～410 nm和λex=310～400 nm,λem=380～490 nm之間發(fā)現(xiàn)了四種主要的熒光峰,并確認(rèn)其中一個(gè)被分配到氨基酸,另三個(gè)被分配到維生素E、維生素B6、4-氨基苯甲酸,故研究谷物一般利用氨基酸、維生素E、維生素B6和4-氨基苯甲酸等熒光物質(zhì),谷物類的食物也與烘焙食品相關(guān),研究的物質(zhì)一般以研究蛋白質(zhì)、核黃素和NADH為主[84-85]。

3.7 面包糕點(diǎn)類

面包一般以小麥、黑麥為主要原料,加入水、鹽、酵母揉制成型,經(jīng)烘、烤、蒸、炸而成。面包在制作過程中往往添加了雞蛋和牛奶,蛋糕則在其基礎(chǔ)上添加了植物奶油。FFFS對(duì)面包糕點(diǎn)類產(chǎn)品的檢測(cè)一般研究烘焙過程中物質(zhì)隨時(shí)間變化[84-85]以及在儲(chǔ)藏過程中的變化。在λem=305～490 nm和λex=252～390 nm,熒光光譜顯示蛋糕隨著儲(chǔ)存時(shí)間和配方中使用油的類型不同而發(fā)生變化,通過色氨酸和脂質(zhì)來研究蛋糕使用油的類型與儲(chǔ)藏時(shí)間的關(guān)系[86]。利用在λem=510 nm處的熒光特征、蛋糕在存儲(chǔ)過程中脂質(zhì)老化的特點(diǎn)和茴香胺值，評(píng)估蛋糕新鮮度的相關(guān)系數(shù)達(dá)到0.73[37],可以初步評(píng)估蛋糕烘焙過程中物質(zhì)隨時(shí)間而發(fā)生的變化。

3.8 水果類

在研究水果的過程中,通常利用水果中的色素、多酚以及水果中的特殊成分如總黃酮等熒光貢獻(xiàn)率大的物質(zhì)對(duì)其進(jìn)行分析。在FFFS對(duì)蘋果汁的研究中,用多元線性回歸(MLR)和偏最小二乘回歸(PLS)分析證實(shí)了熒光預(yù)測(cè)總黃酮含量(TFC)比總酚含量(TPC)和總抗氧化能力(TAC)更具有代表性[87]。葡萄的成熟度可以利用葡萄在轉(zhuǎn)色期時(shí)葡萄皮中花青素的熒光特征，結(jié)合總可溶性固形物回歸模型(TSS)和總酸度、錦葵色素-3G、總花色苷酚在可見光和熒光光譜的含量來共同表征[39]。利用多酚含量的不同,可以對(duì)巴氏蘋果汁、鮮榨蘋果汁和濃縮蘋果漿的品質(zhì)進(jìn)行研究,建立模型對(duì)蘋果汁進(jìn)行質(zhì)量評(píng)估模型[42]。故在研究水果的過程中可以將天然色素作為FFFS的指標(biāo),但多數(shù)研究仍然使用總黃酮含量(TFC)和總酚含量(TPC)作為指標(biāo)。

4 展望

FFFS在食品質(zhì)量分析中主要應(yīng)用于非澄清透明液體類食品和固體食品,僅取用待檢測(cè)物的少許試樣即可對(duì)待測(cè)物進(jìn)行檢測(cè)和篩查,具有應(yīng)用范圍廣(適合多種食品類型)、快速、無損、靈敏度高、特異性強(qiáng)等特點(diǎn),適用于對(duì)大量樣品的現(xiàn)場(chǎng)抽樣篩查,必要時(shí)結(jié)合儀器分析方法進(jìn)行結(jié)果確證,此策略檢驗(yàn)效率高、經(jīng)濟(jì),有效節(jié)省大量的人力和物力。目前FFFS的發(fā)展趨勢(shì)總結(jié)如下:熒光作為分子發(fā)射光譜容易受到溫度的影響,故溫控前表面熒光裝置的開發(fā)將會(huì)進(jìn)一步提高FFFS的分析精度;開發(fā)FFFS專用的液體和固體專用樣品支架增強(qiáng)測(cè)試的易操性和重復(fù)性;熒光儀器的小型化,有利于實(shí)現(xiàn)農(nóng)產(chǎn)品品質(zhì)的現(xiàn)場(chǎng)檢測(cè);基于智能手機(jī)的熒光信號(hào)采集裝置的開發(fā)也是今后的發(fā)展趨勢(shì)之一;基于云端的數(shù)據(jù)模型分析與處理,有利于FFFS的普及與應(yīng)用。