摘要
食源性致病菌的检测与鉴别是食品安全事件防范的重要一环，也是预防医学的主要研究内容之一。传统检测方法尚存在成本高、时间长、操作复杂等问题，因此，迫切需要发展新型、高效和普适的食源性致病菌检测与鉴别技术。本文立足于光谱学方法，以肠炎沙门氏菌、大肠杆菌和金黄色葡萄球菌等食源性致病菌为研究对象，以显微激光诱导击穿光谱（Laser-inducedBreakdownSpectroscopy，LIBS）和单细胞拉曼光谱作为分析手段，构建分类判别模型，并研究光谱数据融合技术在食源性致病菌检测领域的应用。 论文工作主要包含三部分内容： （1）提出一种可用于微生物单菌落稀释液LIBS光谱检测的暗视野显微系统与样品固定方法。该方法实现了单菌落的精准定位，消除了基质干扰效应，成功地检测到微生物内的多种微量元素。利用核主成分分析法（KernelPrincipalComponentAnalysis，KPCA）对LIBS光谱进行数据降维，建立支持向量机（SupportVectorMachine，SVM）和自适应增强改进型SVM-Adaboost多分类模型，优化相关参数，实现了食源性致病菌单菌落水平的分类鉴别，其预测准确率大于90%。随后，研究了胶体金谱线增强效应及其对分类模型预测结果的影响，为后续LIBS光谱高灵敏分析提供了新手段。 （2）利用实验室自研的共聚焦拉曼光谱仪在单细胞水平上采集五种食源性致病菌的单细菌拉曼光谱，通过KPCA对单细菌拉曼光谱进行数据降维，构建了SVM和SVM-Adaboost多分类模型并优化相关参数，成功实现了单细胞水平的致病菌分类鉴别。其中，SVM-Adaboost模型的预测正确率达到96%，与单独使用SVM的模型相比提高了5%。 （3）构建数据融合模型应用于微生物的多光谱分类判别。该方法将包含微生物元素组成信息的LIBS光谱和分子组成信息的拉曼光谱进行融合，建立基于变量层与特征层融合光谱的两类判别模型。结果显示，两种融合方式下相应分类模型的10折交叉验证正确率和测试集的预测结果，均优于基于单一LIBS光谱或单细菌拉曼光谱的分类模型，证明了多光谱数据融合技术能有效提高预测模型的稳定性和正确率。 综上所述，本研究重点围绕单细菌水平的食源性致病菌识别挑战，分别开发单菌落LIBS和单细菌拉曼光谱检测方法，并构建多光谱数据融合模型，显著提升了食源性致病菌识别精度和可靠性。为食源性致病菌的实时检测提供了新手段。
NETL