水产品新鲜度快速检测技术研究进展

本文重点介绍了水产品新鲜度快速检测技术的原理和应用,包括感官仿生技术、生物传感器技术、介电特性、光谱技术等,讨论了这些方法的优点和缺点,并对水产品新鲜度快速检测方法的研究重点及未来的研究趋势做出展望。

西红花的品质鉴别研究进展

本文概述了西红花的真伪及掺假鉴别以及西红花有效成分含量测定的方法,从而为今后的研究工作提供参考。

基于电感耦合等离子体质谱法分析36种元素的西红花产地鉴别

本研究建立了一种通过电感耦合等离子体质谱同时检测不同产地西红花样本中36种元素含量的方法,各元素的线性均大于0.999,精密度良好,回收率为92.1%~103.0%。数据集由伊朗和我国上海、江苏、浙江、西藏四个地区的93个西红花样本组成,各产地均检出西红花样本中32种元素,其中平均含量从高到低主要为Mn、Cu、Rb、Sr、Co、Ba、Cr、V,利用方差分析、主成分分析、线性判别分析(LDA)对数据进行统计分析。结果表明:西红花样本中有31种元素含量在5个产地间存在显著差异,当主成分数为9时,LDA模型的训练集和预测集的识别率最佳,分别为100%和90.32%。研究证明,基于西红花元素含量构建的判别模型可以有效鉴别不同产地的西红花,为西红花的质量控制和产地溯源提供科学依据。

栽培条件及工艺对西红花产量和品质的影响研究进展

西红花是珍贵的药食同源品种,具有极高的经济和药用价值,是我国目前紧缺的名贵中药材之一。由于其先天不育,产量极低,我国目前产量远不能满足国内市场需求。在西红花栽培过程中不同的栽培条件和工艺对其产量和品质有很大的影响。本文从产地因素、母球大小与留芽数目、栽培基质、种植方式、种植密度及深度、肥力及生物激素的使用、病害与药剂防治等栽培条件及工艺对西红花产量和质量影响研究进展进行了综述,同时对西红花栽培中相关问题及未来研究方向给出了一定的展望,为国内西红花的栽培种植提供参考,以期助力我国西红花种植产业的发展。

基于核酸适配体分析方法结合纳米材料监测食品有毒重金属的研究进展

重金属具有高毒性,尽管它们在各种环境基质中以微量浓度存在,但是其引起的污染仍可能会对环境和人体造成严重的损害。因此,开发重金属检测精确而灵敏的方法对食品中重金属的检测十分有必要。现有传统检测技术依赖昂贵的大型仪器,操作复杂并且耗时较长。生物技术和纳米材料的飞速发展为重金属的检测提供了一种新思路。该文综合介绍重金属检测的常见方法以及近年来核酸适配体和纳米材料在食品中重金属检测应用的研究进展,并对未来的发展前景进行展望。

检测食品中汞、镉、铅、砷等重金属离子的固相荧光传感器

笔者设计并合成了一种固载于氯甲基聚苯乙烯树脂(PS-CL)的卟啉(TCPP,四羧基苯基卟啉)类荧光猝灭型固相荧光传感器(PS-TCPP),通过紫外-可见和荧光分析等手段对其进行性能评价,结果表明:PS-TCPP能够快速分析食品中有害重金属离子,且伴随肉眼可观察的深红色变为深绿色的明显颜色变化。PS-TCPP使用简便,对汞、镉、铅、砷等具有较好的选择性,可重复使用3次以上,在广谱筛查汞、镉、铅和砷等有害重金属离子方面具有良好的应用前景。

2种罗丹明多环芳烃聚苯乙烯固相传感器检测Hg^2+的荧光差异

合成了2种用于Hg 2+检测的新型罗丹明聚苯乙烯固相荧光传感器PS-RB-2和PS-R6G-2,并对其荧光传感特性进行了详细的研究。通过傅里叶变换红外光谱(FT-IR)和扫描电子显微照片(SEM)对其进行表征。PS-RB-2传感器对Hg^2+表现出更高的选择性、灵敏度以及更低的检测限(0.065μmol/L)。基于晶体结构,从理论层面提出并探讨了由Hg^2+螯合诱导的罗丹明螺环开环的检测机制。值得关注的是,该传感器可以回收利用,并将环境友好的传感器PS-RB-2成功用于荧光检测实际水和鱼类样品中的Hg^2+。在加标回收实验中,相对误差均低于10%,表明该传感器为实际食品样品中Hg^2+检测提供了一种简单、有效且具有潜力的方法。同时开发了一种可通过肉眼观察颜色变化进行快速检测Hg^2+的固相萃取柱。

基于模式识别技术结合UPLC的西红花产地鉴别

西红花集观赏、药用和经济价值于一身,是一种名贵的药食同源产品;产地的“道地性”在很大程度上也是其品质的保证。研究建立了一种基于超高效液相色谱(Ultra Performance Liquid Chromatography,UPLC)的方法,来同时检测不同产地西红花样本中的西红花苷Ⅰ、西红花苷Ⅱ、苦番红花素素、藏红花醛这四种主要有效成分,方法回收率为98.0%~100.1%。方差分析结果表明不同产地的西红花样本中的有效成分存在显著性差异,浙江产地的西红花样本的西红花苷Ⅰ、西红花苷Ⅱ、苦番红花素含量均值最高,江苏产地的藏红花醛含量最高。将UPLC测得的4种有效成分主成分分析后的得分向量进行LDA、KNN模式识别,结果表明KNN模型的效果更佳,当主成分数为3,K值为1时,模型的训练集和预测集的识别率分别为96.55%和100%。结果表明模式识别技术结合UPLC的西红花产地鉴别是可行的。