基于机器学习的纳米粒子增强纸色谱阵列传感器方法,用于检测低湿度食品中的亚致命受伤的沙门氏菌
Zhen Jia1, Emma Grace Holliday2, Elizabeth Catherine Tang2
1Department of Food Science and Human Nutrition, University of Florida, Gainesville, FL 32611, USA; Department of Poultry Science, Auburn University, Auburn, AL 36849, USA.
Food research international (Ottawa, Ont.)
|February 28, 2026
概括
一个新的机器学习驱动的纳米粒子传感器在1小时内准确地检测到花生中的受伤的沙门氏菌. 这种快速,非破坏性的方法通过在病原体繁殖之前识别应激病原体,从而提高食品安全.
科学领域:
- 食品安全 食品安全
- 微生物学 微生物学
- 传感器技术 传感器技术
背景情况:
- 低湿度食品 (LMFs) 中的亚致死性受伤病原体,由于潜在的复苏和保留的毒性,对公共卫生构成重大风险.
- 准确检测受损细胞对于食品安全至关重要,与微生物学方法的监管验证要求保持一致.
- 现有的方法往往缺乏灵敏度或速度,以有效地检测复杂的食物矩阵中受伤的病原体.
研究的目的:
- 开发一种快速,非破坏性,无缩的传感器,用于检测和区分花生中的受伤和正常的沙门氏菌.
- 整合机器学习与纳米粒子增强纸色谱阵列 (ML-NP-PCA) 技术,以改进病原体检测.
- 为了评估传感器在背景微生物群的存在和储存期间的性能.
主要方法:
- 开发一种机器学习驱动的纳米粒子增强纸色素阵列传感器 (ML-NP-PCA).
- 评估黄金,和化物纳米颗粒用于提高传感器性能,NP-PCA显示强大的功能.
- 测试ML-NP-PCA传感器在室温下48小时内检测受伤和正常的沙门氏菌在花生中的背景微生物群.
主要成果:
- ML-NP-PCA方法在检测和区分花生中受伤和正常的沙门氏菌时,即使有背景微生物群,也显示出超过90%的准确性.
- 在大约3-4 log CFU/g的度下,在1小时内就能检测到受伤和正常的沙门氏菌,准确度为92.0 ± 0.9%.
- NP-PCA在酸盐缓冲盐溶液中的广泛度范围 (∼1-6 log CFU/mL) 中表现出强的性能.
结论:
- ML-NP-PCA方法为食品中受损的沙门氏菌的持续,快速和非破坏性监测提供了一个有希望的工具.
- 这项技术支持符合监管的微生物测试,并加强整个供应链的食品安全监督.
- 传感器能够及早检测应激病原体,从而最大限度地降低了与其在食品中的复苏和扩散相关的风险.
