論文解讀

在“大食物觀”背景下，食用菌作為營養寶庫對貧困地區民生至關重要。然而，黑木耳（Auricularia auricula, AA）因椰毒假單胞菌（Burkholderia gladioli pv. cocovenenans, BGC）污染產生的米酵菌酸（Bongkrekic acid, BKA）具有致命毒性，其半數致死量（LD₅₀）僅3.16 mg/kg，但現有檢測技術如液相色譜-質譜法前處理復雜，PCR需24小時富集步驟，難以滿足快速篩查需求。

為解決這一難題，來自陜西的科研團隊在《Food Chemistry》發表研究，首次將頂空氣相色譜-離子遷移譜（Headspace-Gas Chromatography-Ion Mobility Spectrometry, HS-GC-IMS）與深度學習結合，開發了HS-GC-IMS-VGGNet智能檢測平臺。該技術通過捕獲微生物揮發物指紋圖譜，利用VGGNet的16-19層卷積結構提取特征，結合梯度加權類激活映射（Gradient-weighted Class Activation Mapping, Grad-CAM）實現特征可視化。實驗采用陜西柞水縣的黑木耳及BGC菌株（NC18、NC22等），構建了含六種微生物污染的樣本集。

數據樣本制備
研究選取AA基質中BGC及其競爭菌株，通過HS-GC-IMS直接采集揮發物數據，避免了傳統方法中有機溶劑消耗問題。

深度學習分類
VGGNet模型對BGC污染的識別準確率達93.8%，生物量檢測限（LOD）和定量限（LOQ）分別為80 CFU/mL和241 CFU/mL；對BKA的LOD低至0.25 mg/L，覆蓋0–1.54 mg/kg的實際污染范圍。Grad-CAM熱圖定位到28個關鍵揮發物，如2-壬酮和1-辛烯-3-醇，揭示了微生物代謝特征。

結論與意義
該研究開創了人工智能在食用菌毒素檢測領域的應用先河，其非破壞性、無需前處理的特點顯著提升了檢測效率。通過Grad-CAM解析CNN決策依據，不僅增強模型可解釋性，還為非專家識別生物標志物提供了新思路。技術獲中國國家重點研發計劃（2019YFC1606702-05）等資助，對保障食品安全和推動綠色分析化學發展具有雙重價值。

（注：全文數據及術語均嚴格依據原文，未添加非文獻內容）