采用核酸适配体作为特异性识别元件,SYBR Green I(SGI)荧光染料为信号输出单元,构建了黄曲霉毒素B_1(AFB_1)生物传感器,并对试验条件进行了优化。优化的试验条件如下:适配体互补链与适配体的物质的量比为1.5,SGI加入量为10μL,适配体双...采用核酸适配体作为特异性识别元件,SYBR Green I(SGI)荧光染料为信号输出单元,构建了黄曲霉毒素B_1(AFB_1)生物传感器,并对试验条件进行了优化。优化的试验条件如下:适配体互补链与适配体的物质的量比为1.5,SGI加入量为10μL,适配体双链与SGI的作用时间为2 min,适配体与AFB_1作用时间为14 min。结果表明,在AFB_1质量浓度为0.1~1 000μg·L^(-1)时,荧光强度变化量与其质量浓度对数呈线性关系,检出限(3S/N)为0.081μg·L^(-1)。对实际玉米样品进行加标回收试验,回收率为95.2%~105%,测定值的相对标准偏差(n=7)均小于6.0%。与其他适配体传感器进行比较,该方法所构建的荧光适配体传感器对AFB_1的检测具有操作简便、检测范围宽、灵敏度高、特异性强、成本低廉等优点,适合现场快速测定。展开更多
文摘目的探究激光诱导荧光(laser induced fluorescence,LIF)技术检测花生中黄曲霉毒素B_(1)(aflatoxin B_(1),AFB_(1))的可行性,定性和定量分析花生中的AFB_(1)。方法制备不同浓度梯度的污染花生,经LIF系统采集荧光光谱,平滑后分析光谱数据结构。基于全波长光谱使用5种不同建模方法对污染花生定性判别,采用偏最小二乘法回归(partial least squares regression,PLSR)和BP神经网络(BP neural networks,BPNN)进行定量预测。通过竞争性自适应重加权采样(competitive adaptive reweighted sampling,CARS)提取特征波长,研究其对定性和定量预测的影响。结果对于全波长光谱数据,线性核函数的支持向量机[support vector machine with linear kernel function,SVM(Linear)]建立的判别模型效果最优,预测正确率100.00%。PLSR和BPNN均获得较好的定量预测效果,剩余预测偏差(residual predictive deviation,RPD)>3.0,检出限(limit of detection,LOD)<20μg/kg;对于特征光谱数据,SVM(Linear)定性判别预测正确率93.94%,F1值为0.94,受试者工作特征(receiver operating characteristic curve,ROC)曲线下面积(area under the curve,AUC)为0.989。建立的PLSR模型性能优于未提取特征波长的两种定量模型,RPD为3.36,LOD为14.76μg/kg。结论LIF技术检测花生中的AFB_(1)简单快速,定性定量预测模型准确性好,具有一定可行性。