振用型源分析

生命科学与数据科学已经融合。机器视觉和自动化技术的进步使生物学家能够生成大量的数据，深度学习技术是识别数据模式和关联性的一种强大工具，能够帮助生物学家识别和提取海量数据中隐含的不显著的相关性。深度学习是一类算法，擅长于识别和利用大型数据集中的模式。传统算法解决细胞计数与活力分析的传统方法是设计一个函数：分析什么样的像素模式倾向于表示细胞的存在？什么样的细胞形态倾向于区分活细胞和死细胞？程序员可以编写代码来识别一些特定类型的特征，然后尝试识别一些特征组合，最后生成所需结果。这一过程是缓慢而耗时的，分析结果的准确性取决于程序员的细胞生物学知识。深度学习算法深度学习采用完全不同的方法：允许计算机根据数据学习自己的函数，一个独立于具体问题的模型和算法。我们只需要提供训练数据，它就会自动确定参数，从而将通用模型转换为能解决具体问题的一个特定函数。AI模型——想你所想CytScop的AI模型是基于卷积神经网络CNN的模型架构的深度学习方法，模型的每一层都是原始图像的一种新的呈现形式，用比上一层更大、更抽象的特征来描述。模型运行时，不再需要人为设置各种参数阈值如直径、亮度、圆度、系数等，对不同的细胞类型/生物工艺具有良好的可拓展性与更准确的泛化能力。AI模型通过海量真实工艺的数据训练与反复测试验证，自适应各种细胞生长周期的不同形态（更科学地识别细胞凋亡/团簇团聚等复杂情况）；避免了人为参数调整的干预，助力您快速获取高精密度，高准确度的分析结果 。在生物制药工艺过程中，需要细胞培养来生产疫苗和蛋白质治疗药物等生物产品，通过准确计算细胞数量 ，生产者可以监测细胞的生长情况，调整培养条件以提高产量和产品质量，所以细胞计数在生物制药工艺过程中起着至关重要的作用。传统算法局限了不同生物工艺/细胞系的识别与泛化能力，不可避免地造成了同一细胞系在工艺开发与生产阶段中的各种误差累积难以解释。而数据完整性与测量的准确性有关，人为改变调整算法参数会直接影响测量；必须确保测量设备系统中的算法参数设置在工艺过程中没有任何修改。基于大数据训练的AI模型，不仅大大提高了测量分析精度与准确性；还能帮助企业寻找数据湖（Data Lakes），以满足FDA的ALCOA+ 数据完整性原则。您可关注浚真生命科学官网，近期，我们将在网站开通CytScop的AI模型下载入口，欢迎下载体验。

近日，国家食品接触材料检测重点实验室(广东)（IQTC）联合华南理工大学制浆与造纸国家重点实验室以食品接触用原纸板及其原材料为研究对象，对其中的VOCs进行了表征和溯源研究，并在食品科技领域TOP期刊Food Packaging and Shelf Life （JCR Q1，IF=8.749）发表了题为“Characterization of volatile organic compounds in food contact paperboards and elucidation of their potential origins from the perspective of the raw materials”的研究论文。 IQTC李函珂博士为论文第一作者，IQTC李丹研究员和华南理工大学马彤梅教授为共同通讯作者。中山大学公共卫生学院医学统计学系和西班牙萨拉戈萨大学（University of Zaragoza）为本论文合作单位。该研究得到了国家重点研发计划项目2022YFF0607202、2022YFF0607201和广东省自然科学基金2022A1515010334的资助。 原文链接：https://doi.org/10.1016/j.fpsl.2023.10106201.研究背景 纸制品是使用最为广泛的食品接触材料之一，其安全问题一直广受关注，IQTC牵头修订的GB4806.8-2022即将于2023年6月30日起正式实施。由于纸制品所用原材料多为成分复杂的天然植物，如桉树、杨树、竹子、亚麻、棉花等，且其生产过程包括制浆、漂白、成型、施胶、干燥、涂布等多个步骤，期间会引入多种化学品，例如过程助剂、功能性添加剂、天然产物、自氧化产物、聚合物及其降解产物、污染物等，这就导致纸制品中含有的化学物质远比塑料、橡胶等材质的食品接触材料复杂[1]。 在可能导致纸制品安全问题的各种因素中，挥发性有机物（VOCs）更容易得到较高的关注度：一是由于VOCs会加速纤维素降解，从而破坏纸制品的结构并降低食品的保质期；二是由于VOCs相比于其他化合物更容易在消费者进食的过程中被吸入或摄入，故具有潜在风险的VOCs更容易对消费者健康造成负面影响；三是由于某些具有较低气味阈值的VOCs可能会影响所包装食品的感官特性（如气味或异味），从而影响消费者的消费体验和接受程度。鉴于此，食品接触用纸制品中的VOCs得到了较为广泛的研究[2-5]。然而，由于目前采用的VOCs表征技术仍以传统一维GC-MS技术为主，可定性化合物通常不超过40个，难以追溯这些VOCs的来源。02.IQTC的研究 IQTC近年来开展了多项食品接触用纸制品中安全因子表征的相关研究[6-8]，并与国内多家造纸企业建立了良好的合作关系。在本研究中，IQTC从相关企业收集了23批次样品，包括9批次食品接触用原纸板（RPBs）、4批次漂白化学热磨机械浆（BCTMP）、6批次干浆板（DPSs）和4批次桉树木料（WCs），并采用顶空-固相微萃取-全二维气相色谱-四极杆飞行时间质谱（HS-SPME-GCxGC-qTOF-MS）技术对上述样品中的VOCs进行了系统表征。同时，还基于表征结果对食品接触用原纸板中检出的VOCs进行了溯源分析[9]。▲ 图1 食品接触用原纸板及其原材料中的VOCs分布情况 如图1所示，对于RPBs、BCTMP、DPSs和WCs这四种类型的样品，经HS-SPME-GC×GC-QTOF-MS分析，分别定性出331、154、295和191种VOCs，包括芳香烃类化合物、芳香族含氧化合物、萜类及其衍生物、脂肪族含氧化合物、非芳香烃类化合物和其他共6大类化合物，表明GC×GC-qTOF-MS技术在复杂样品的VOCs表征上比传统的GC-MS技术更具优势；另一方面，经进一步统计分析，上述化合物在不同样品中呈现出特异性分布，且检出频次存在较大差异，如：BCTMP中定性出比WCs更多的芳香族含氧化合物，表明桉树木料中的木质素在制浆和漂白过程中发生了解聚；DPSs中的脂肪族含氧化合物分布与RPBs相似，表明前者可能是后者中脂肪族含氧化合物的主要来源；RPBs中出现了较多的烷基苯类化合物（RI=1500~1900），而这些化合物在原材料中均未检出，表明其可能在后续的生产过程中引入。▲ 图2 食品接触用原纸板与其原材料中VOCs的相关性分析 进一步对食品接触用原纸板与其原材料中VOCs进行相关性分析。如图2所示，聚类分析和主成分分析均表明各类样品中检出的VOCs具有显著差异。欧式距离分析表明，WCs与BCTMP和WCs与DPSs的VOCs相似性具有显著差异，这表明DPSs与BCTMP或采用了不同的制浆工艺。此外，Jaccard指数分析表明，DPSs与RPBs比BCTMP与RPBs具有更高的VOCs相似性，表明DPSs或对RPBs中的VOCs贡献更大。▲ 图3 食品接触用原纸板中VOCs的溯源分析 在RPBs中检出的331个VOCs中，153个VOCs在BCTMP、DPSs或WCs中检出，表明这些VOCs可追溯至原材料；而其余178个VOCs仅在RPBs中检出，表明这些VOCs很可能在后续生产流程中产生，其来源包括但不限于涂布添加剂、施胶剂、大分子降解产物、表面活性剂、抗氧化剂、消泡剂、杀菌剂、环境污染物等。03.结论 上述研究表明，食品接触用原纸板及其原材料中的VOCs数量繁多且呈现样品特异性分布。特别值得关注的是，制浆和漂白过程对原纸板中的VOCs有显著影响，且对原纸板中VOCs贡献程度最大的原材料是干浆板。溯源分析表明，相当数量的VOCs是天然存在的化学物质，比如萜类和脂肪族含氧化合物，而亦有相当数量的VOCs与生产过程等人为因素相关，如烃类和芳香族含氧化合物。 IQTC的上述研究也得到了Food Packaging and Shelf Life审稿人的高度认可，其中一位审稿人指出该研究对纸和纸板的测试有很大贡献（The paper contributes highly to the testing of paper and paper boards）。上述研究阐明了食品接触用原纸板及其原材料中VOCs的种类和来源，为相关行业的从业人员提供了有价值的参考，有助于进一步提升纸质食品包装的质量并保障消费者健康。 IQTC也将继续与高校、科研院所和相关企业密切合作，深入研究与食品接触用纸制品中VOCs相关的问题，包括质量问题、安全性问题、感官异味问题等，致力于为行业提供切实可行的技术解决方案。参考文献[1] C.N. Lowe, K.A. Phillips, K.A. Favela, A.Y. Yau, J.F. Wambaugh, J.R. Sobus, A.J. Williams, A.J. Pfirrman, K.K. Isaacs, Chemical Characterization of Recycled Consumer Products Using Suspect Screening Analysis, Environ Sci Technol, 55 (2021) 11375-11387.[2] Ó. Ezquerro, B. Pons, M.a.T. Tena, Development of a headspace solid-phase microextraction–gas chromatography–mass spectrometry method for the identification of odour-causing volatile compounds in packaging materials, J Chromatogr A, 963 (2002) 381-392.[3] M. Czerny, A. Buettner, Odor-active compounds in cardboard, J Agric Food Chem, 57 (2009) 9979-9984.[4] T.V. Caelenberg, I.V. Leuven, P. Dirinck, An Analytical Approach for Fast Odour Evaluation of Recycled Food-Grade Paperboard Materials Using HS-SPME-MS-Nose Technology, Packag Technol Sci, 26 (2013) 161-172.[5] P. Vera, E. Canellas, C. Nerin, Compounds responsible for off-odors in several samples composed by polypropylene, polyethylene, paper and cardboard used as food packaging materials, Food Chem, 309 (2020) 125792.[6] H.-n.Zhong, Y. Zeng, L. Zhu, J.-j. Pan, S.-l. Wu, D. Li, B. Dong, H.-k. Li, X.-h. Wang, H. Zhang, J.-g. Zheng, The occurrence of Mono/Di-Chloropropanol contaminants in food contact papers and their potential health risk, Food Packag Shelf Life, 34 (2022) 101002.[7] H.-n. Zhong, Y. Zeng, D.-y. Yang, Z.-c. Wu, D. Li, H.-x. Sui, J. Gao, Y.-f. Chen, C.-H. Mo, Investigation of factors influencing the release of chloropropanols (3-MCPD and 1,3-DCP) from food contact paper, Food Addit Contam A, 38 (2021) 2036-2044.[8] J.J. Pan, Y.F. Chen, J.G. Zheng, C. Hu, D. Li, H.N. Zhong, Migration of mineral oil hydrocarbons from food contact papers into food simulants and extraction from their raw materials, Food Addit Contam A, 38 (2021) 870-880.[9] H. Li, L. Chen, X. Wu, S. Wu, Q.-z. Su, B. Dong, D. Li, T. Ma, H. Zhong, X. Wang, J. Zheng, C. Nerín, Characterization of volatile organic compounds in food contact paperboards and elucidation of their potential origins from the perspectiveof the raw materials, Food Packag Shelf Life, 37 (2023), 101062.

日本电子株式会社（JEOL)近期发布了扫描电镜和电子探针用软X射线分析谱仪（SXES ：Soft X-Ray Emission Spectrometer），将扫描电镜和电子探针对材料分析水平、能力和精度大大扩宽。 电子光学仪器上发射的电子束与样品发生复杂的交互作用，产生各种信号，收集不同信号进行分析，可以获得样品的各种不同信息。软X射线分析谱仪就是通过采集样品上被激发出来的软X信号进行分析的仪器。它的能量分辨率为0.3eV，远高于能谱仪（EDS)和波谱仪（WDS）的分辨率；对轻元素的定量分析非常准确，比如B元素的检出极限可达20ppm；还可以进行元素价态分析。将扫描电镜从以侧重图像为主的仪器变身为图像、成分、价态均可清晰表达的超级分析仪器。也将电子探针的分析能力大幅度提升。 详情请咨询日本电子株式会社在中国的全资子公司捷欧路（北京）科贸有限公司及其各分支机构。上图：EDS-WDS-SXES谱峰分辨率比较上图：各种氮化物的谱图检测分析上图：各种碳化物的谱图分析上图：锂电池充电过程观察