1. AI新视界首页
  2. AI食品

植物油中化学物质污染的安全风险评估和预警

今天介绍一篇由上海大学生命科学学院发表于Food Control的一篇文章。文中针对中国的实际情况,分析了三种食用植物油的化学危害污染状况,通过建立多种膳食暴露评价模型,对食用植物油中的苯并芘、黄曲霉毒素B1和重金属进行了风险评价。在此基础上,对食用植物油化学危害的综合风险评价进行了研究,并利用AHP-BP方法建立了食用植物油化学危害程度的预测模型。

今天介绍一篇由上海大学生命科学学院发表于Food Control的一篇文章。文中针对中国的实际情况,分析了三种食用植物油的化学危害污染状况,通过建立多种膳食暴露评价模型,对食用植物油中的苯并芘、黄曲霉毒素B1和重金属进行了风险评价。在此基础上,对食用植物油化学危害的综合风险评价进行了研究,并利用AHP-BP方法建立了食用植物油化学危害程度的预测模型。

1. 介绍

安全领域最重要的阶段是评估阶段。在此阶段,有必要计算每个识别出的危险的风险点,并确定危险程度是否可以接受。在环境污染、农作物污染、地质灾害和人类疾病中广泛使用了各种定性,定量和混合风险评估方法。建立有效的风险监控和预警模型可以从多个方面全面评估安全风险,使政府部门能够及时控制和防范风险。中国居民对植物油的需求一直很高,因此有必要对植物油中化学污染物的风险进行评估。本文针对不同的化学污染物采用了不同的风险评估方法,建立了预警模型,可以评估植物油中化学污染的风险状况,使风险控制在爆发之前。

2. 方法

基于AHP(层次分析法)和BP神经网络的植物油安全预警模型(Fig. 1)的构建步骤如下:

步骤1:根据国家标准和抽样数据确定植物油质量安全评价指标。

步骤2:原始数据被收集,分类和标准化,以获得模型所需的标准数据。

步骤3:利用基于熵权(EW)的层次分析法(AHP)计算检验数据的风险值,将数据分为训练集和测试集,并以8个评价指标数据作为模型输入,并综合风险值作为模型的输出。

步骤4:模型学习。Weka是一种可以使用不同的学习方法进行数据挖掘的工具。将由支持向量机(SVM),随机森林(RF),径向基函数神经网络(RBF)构建的模型与由BP神经网络构建的模型进行了比较。10倍交叉验证用于训练和验证由这四个算法构建的模型。实际风险值与模型预测的风险值之间的拟合度的R2用于判断四个模型的训练效果和稳定性。

步骤5:使用测试集进行模型验证。植物油中化学物质污染的安全风险评估和预警

Fig.1植物油安全预警模型构建流程图

3. 结果

3.1  苯并芘、黄曲霉毒素B1和重金属的风险评估

3.1.1  食用植物油中苯并芘的风险评

对文献中收集到的大豆油,花生油和菜籽油中苯并芘的数据进行统计分析,得出苯并芘的污染状况,结果表明:三种油中的苯并芘的平均污染浓度低于食用植物油中苯并芘的最高限量标准(<10μg/ kg)。花生油中苯并芘的不合格率高于大豆油和菜籽油中的不合格率。

苯并芘的致癌风险评估表明,三种食用植物油中苯并芘的ILCR(增加的终生癌症风险)处于可接受水平。

3.1.2  花生油中黄曲霉毒素B1的风险评估

研究结果表明:花生油中黄曲霉毒素B1的平均浓度比国家标准(20μg/ kg)低,符合食用标准。散装花生油中黄曲霉毒素B1的平均浓度比定型包装花生油高7.6倍,原因是大多数定型包装中的花生油是由正规制造商生产的,完整的原料筛选、碱提纯、吸附及其他加工技术和质量控制方法可确保精制油中黄曲霉毒素B1的含量降低到非常低的水平。

使用暴露极限法和数学模型法从定性和定量两个方面评估食用被黄曲霉毒素B1污染的花生油所造成的健康风险。结果表明:花生油中黄曲霉毒素B1的暴露裕度(MOE)远低于安全阈值(104)。

花生油中黄曲霉毒素B1对肝癌的影响远低于目前中国肝癌的发病率(每100万人中263.9例)。结果表明:花生油中黄曲霉毒素B1暴露引起的肝癌风险较高,但这并不是中国肝癌的主要原因。应进一步进行其他类型食用植物油中黄曲霉毒素B1含量的调查,以便更全面地评估食用植物油中黄曲霉毒素B1的健康风险。

3.1.3  食用植物油中重金属的风险评估

从文献中收集的食用植物油中重金属的平均含量与概率分布拟合,以获得食用植物油中铅,砷,镉和铬的浓度分布。结果表明:食用植物油中铅和砷的平均值均低于中国国家食品安全标准规定的食用植物油中铅和砷的最大残留限量(0.1 mg / kg)。但中国和其他国家之间仍存在监管差距和潜在风险。

非致癌风险评估结果表明:食用植物油中的铅,砷和镉对人体健康的影响微乎其微,但时间长仍应避免长期过量食用植物油。食用植物油中的铬对14岁以下的人具有潜在的非致癌性危害。

致癌风险评估结果表明(Fig. 2):食用植物油中铅,砷和镉的致癌风险在可接受的范围内,但铬对暴露人群的致癌风险不容忽视。因此,为降低食用植物油中重金属的风险,有关部门应积极提高食用植物油中镉和铬的最大残留标准,并加强对食用植物油中重金属的监管。

植物油中化学物质污染的安全风险评估和预警

Fig. 2食用植物油中重金属的ILCR

3.2  化学危害等级预测模型的构建

在完成食用植物油中常见化学危险因素(苯并芘,黄曲霉毒素B1和重金属)的健康风险评估后,使用AHP-BP全面评估了食用植物油中的化学危险因素。为了建立化学危险等级标准,确定八个危险因素(铅,砷,黄曲霉毒素B1,苯并芘,酸值,过氧化物值,溶剂残留物和叔丁基对苯二酚)的相对重要性。通过层次分析法分析了收集到的食用植物油的安全检查数据,得到了上述8种化学危险因素的权重(Fig. 3)。

植物油中化学物质污染的安全风险评估和预警

Fig. 3食用植物油中化学危害因子的重量和危害等级

在确定食用植物油化学危害等级的基础上,将食用植物油八个化学危害因子的检测值作为模型的输入变量,并给出了相应的化学危害等级。食用植物油的油量作为模型的预期输出变量。通过比较支持向量机(SVM),随机森林(RF),径向基函数神经网络(RBF)和神经网络(BP)的结果,发现BP模型的独立测试集的R2(0.992)和10倍交叉验证R2(0.990)高于其他3个模型,接近1( Fig. 4),表明基于熵权AHP-BP神经网络方法的预测模型具有更好的泛化能力。该模型实现了食用植物油化学危险性水平的评估和预警,对相关部门合理配置资源,进行食用植物油安全性有针对性的指导具有指导意义。

植物油中化学物质污染的安全风险评估和预警

Fig. 4四个模型的预测结果 注意:(A1),(B1),(C1)和(D1)是训练集的十倍交叉验证的模型结果;(A2),(B2),(C2)和(D2)是通过独立测试集测试训练模型的结果。

4. 结论

通过引入先进、科学的风险评估方法,该研究对于改善食用植物油风险管理体系和防范食用植物油安全风险的能力具有现实意义。建立预警系统可以使经营者及时发现食品安全风险,提高食品安全预警水平,从而有一个连续不断的交互过程来寻找未来问题的解决方法。深度神经网络(DNN)是一种广泛用于高维数据拟合的技术,具有很强的非线性拟合能力和强大的特征提取能力。将深度神经网络应用于植物油的安全风险评估可能会发现更多未知的规则。但DNN模型具有很高的复杂度,成本和对数据质量的要求,在食品预警系统中应用DNN仍然是一项艰巨的任务。因此,将收集更多数据以建立质量改进的食品安全风险指标数据集,并且基于该数据集与DNN相结合的模型可能有助于建立准确,智能的食品安全预警系统。

参考文献

  • Bing Niu, Hui Zhang, Guangya Zhou, Shuwen Zhang, Yunfeng Yang, Xiaojun Deng, Qin Chen, Safety risk assessment and early warning of chemical contamination in vegetable oil, Food Control, Volume 125, 2021,107970, ISSN 0956-7135, https://doi.org/10.1016/j.foodcont.2021.107970

关注我们植物油中化学物质污染的安全风险评估和预警

原创文章,作者:ifyoung,如若转载,请注明出处:https://www.drugfoodai.com/oil-risk1.html

注意:本站原创指的是原创编译,并不主张对所介绍的工作的版权,如有侵权,请联系删除!

发表评论

邮箱地址不会被公开。 必填项已用*标注