水产品中重金属污染的快速检测技术研究

摘 要：水产品重金属污染日益严重，传统检测方法效率低、分析不足且数据处理精度欠佳。本文分析水产品重金属污染的来源、危害及检测中存在的问题，提出采用微流控芯片技术、重金属形态原位表征方法以及人工智能算法等技术进行监测，以期为相关领域提供参考。

关键词：水产品；重金属污染；微流控芯片

Abstract： The heavy metal pollution in aquatic products is becoming increasingly serious， and traditional detection methods have low efficiency， insufficient analysis， and poor data processing accuracy. This article analyzes the sources， hazards， and problems in detecting heavy metal pollution in aquatic products， and proposes the use of microfluidic chip technology， in-situ characterization of heavy metal forms， and artificial intelligence algorithms for monitoring， in order to provide reference for related fields.

Keywords： aquatic products; heavy metal pollution; microfluidic chip

水产品是人类重要的食物来源之一，但近年来受环境污染等影响，水产品中重金属超标现象时有发生，严重威胁食品安全与人体健康[1]。因此，急需开发快速、灵敏、准确的新型检测技术，为保障水产品质量安全、维护公众身体健康提供有力的技术支撑。

1 水产品中重金属污染概述

水产品是指利用江河、湖泊、海洋等天然或人工的水域环境，通过捕捞、养殖等方式获得的各类产品。根据《农产品分类与代码》（NY/T 3177—2018）标准，水产品主要分为鱼类、甲壳类、软体类和藻类。不同类别的水产品在营养成分、风味特点、加工方式等方面各具特色[2]。

水产品中常见的重金属污染物主要包括汞（Hg）、砷（As）、铅（Pb）、镉（Cd）等元素，其来源呈现出多样性和复杂性。工业废水排放是水产品重金属污染的主要来源之一，如含汞废水可来自化工、电镀、造纸等行业，含铅废水则源自铅蓄电池制造、印刷电路板生产等过程。农业方面的污染如农药化肥的过量使用，也会导致砷、镉等重金属进入水环境。此外，矿山开采、冶炼活动产生的矿渣和废气，以及城市生活污水的不达标排放，都可能造成水体重金属污染，进而通过食物链富集到水产品体内。需要注意的是，重金属在水环境中常以多种形态存在，如游离态、络合态、颗粒态等，不同形态重金属的迁移转化特性和生物有效性存在明显差异[3]。同时，重金属在水产品体内的分布也呈现出组织特异性，如鱼类肌肉组织中的砷主要以无机砷的形态存在，而内脏中则以有机砷形态为主。

2 水产品中重金属污染快速检测过程中存在的问题

2.1 样品处理自动化程度低

水产品中重金属污染的快速检测中，样品处理自动化程度低、检测效率受限是一个亟待解决的问题。目前，大多数实验室仍采用传统的人工处理方式，如样品的匀浆、消解、萃取等环节主要依赖实验员手动操作完成。这种处理模式不仅耗时耗力，而且容易引入人为误差，影响检测结果的准确性和重现性。以鱼类样品为例，其组织结构复杂，脂肪含量高，在前处理过程中需要进行去脂、粉碎等一系列操作，手动处理往往难以保证样品的均一性和批间稳定性。同时，由于缺乏专用的自动化样品处理设备，实验室通常需要根据不同基质特点，设计和优化个性化的处理流程，导致检测效率较低。此外，大批量样品的连续处理对实验人员的技术熟练度提出了更高的要求，手动操作易产生疲劳，增加了操作失误的风险[4]。

2.2 重金属形态分析方法的缺乏

目前，水产品中重金属污染检测主要侧重于总量分析，而对重金属赋存形态的研究相对较少。重金属在水产品体内通常以多种形态共存，如无机形态、有机形态、结合态等。不同形态重金属的毒理学特性和生物有效性差异显著，直接影响其在水产品中的富集规律和食用安全风险。例如，鱼类肌肉组织中砷主要以低毒性的有机砷形式（如砷甜菜碱）存在，而内脏中则以毒性较强的无机砷为主。假如仅对总砷含量进行检测，而忽略了砷形态分布的差异，可能会高估或低估鱼类的砷暴露风险。然而，由于缺乏成熟的形态分析方法，目前对水产品中汞的形态组成和转化机制尚不清楚，难以准确评估其健康风险。此外，重金属在水产品不同组织器官中的形态分布也存在明显的差异。例如，双壳贝类内脏中的镉主要与金属硫蛋白结合，而闭壳肌中则以无机态镉为主[5]。

2.3 数据处理模型预测准确性不足

现有的数据处理模型在应对水产品基质的复杂性和重金属形态的多样性方面仍存在不足。以鱼类为例，其肌肉、内脏、骨骼等不同组织中重金属含量差异明显，且受鱼的种类、生长阶段、生境条件等因素影响。若直接将这些差异纳入统一的线性回归模型，可能无法准确了解重金属的生物富集规律。此外，水产品基质效应也会干扰重金属检测信号，导致数据偏离线性范围。例如，基质中共存元素的光谱干扰可引起测量误差，有机质则会影响分析灵敏度。若数据处理模型未充分考虑这些因素，将难以确保检测结果的可靠性。同时，水环境污染的时空异质性也对数据质量提出了更高要求。重金属在水体中的迁移转化过程复杂，其生物有效性还受pH值、溶解性有机碳等环境因子调控。捕捞过程中样品的采集和保存条件的差异性，也可能会引入较大的测量不确定度。这些变异来源若未纳入模型校正，将降低污染溯源和风险预测的精度。

3 优化措施

3.1 发展微流控芯片技术实现样品全自动处理

针对水产品重金属污染检测过程中存在的样品处理自动化程度低、检测效率受限等问题，发展微流控芯片技术是一种前景广阔的解决方案。微流控芯片是一种集成了微通道、微阀、微泵等功能单元的微型化学分析平台，可实现样品的自动进样、混合、反应以及分离等一系列操作。将微流控芯片技术引入水产品重金属检测领域，有望显著提升样品处理的自动化水平和标准化程度。例如，可设计一种集成样品匀浆、消解、萃取等功能的微流控芯片，将鱼肉组织样品直接加载到芯片上，通过控制微通道中酶促反应和相分离条件，实现样品均质化和重金属提取的自动化处理。与传统手动操作相比，微流控芯片不仅可明显降低样品处理的人力成本，减少时间消耗，还能通过精确控制反应条件，提高样品制备的批间稳定性和重现性。此外，微流控芯片还可集成在线清洗、浓缩等功能，有效降低样品交叉污染风险，确保检测结果的可靠性。特别地，微流控芯片技术还具有样品用量小、试剂消耗量少等优势，特别适用于珍稀水产品样本的分析检测。合理设计芯片结构和优化操作参数，可实现微量样品的快速、灵敏检测，拓展方法的适用性。同时，微流控芯片的高度集成化特性也为实现样品处理、分离、检测的一体化奠定了基础，有望进一步提升重金属污染监测的现场快速响应能力。

3.2 建立重金属形态原位表征新方法

针对当前水产品重金属形态分析方法缺乏的问题，建立原位表征新方法是一个值得探索的研究方向。采用原位表征技术可实现样品的直接、非破坏性分析，最大限度地保留重金属的原位形态信息。例如，可利用同步辐射X射线吸收精细结构光谱（X-ray Absorption Fine Structure，XAFS）对水产品中重金属的化学价态、配位环境等进行直接表征。通过分析X射线吸收近边结构（X-ray Absorption Near Edge Structure，XANES）和扩展X射线吸收精细结构（Extended X-ray Absorption Fine Structure，EXAFS）特征峰的位置、形状和强度，可获得重金属所处的氧化态、配位原子种类和键长等关键信息，从而判断其在水产品体内的存在形式和结合方式。与化学提取法相比，XAFS能够区分重金属的无机态和有机态，揭示重金属与水产品蛋白质、酶等生物大分子的相互作用机制，为评估其生物毒性和代谢过程提供直接依据。此外，激光剥蚀电感耦合等离子体质谱（Laser Ablation-Inductively Coupled Plasma-Mass Spectrometry，LA-ICP-MS）也是一种具有发展前景的原位表征技术。其通过将高能量激光束聚焦在样品表面，可直接剥蚀出待测区域的微量样品，再经由载气传输至ICP-MS进行元素及其同位素分析。与溶液雾化进样方式不同，LA-ICP-MS可实现固体样品的直接分析，避免了消解萃取过程可能引入的形态转化和污染干扰。利用LA-ICP-MS对水产品不同组织部位进行重金属分布成像，可直观揭示重金属在鱼骨、肌肉、内脏等部位的富集差异，判断其来源和暴露途径。同时，LA-ICP-MS的空间分辨率可达微米级，能够实现重金属在细胞和亚细胞水平的精细表征，为探究重金属毒性作用机制提供新的视角。为充分发挥原位表征技术的应用潜力，还需建立配套的谱学数据解析方法和形态定量模型，综合运用曲线拟合、主成分分析等化学计量学工具，提高数据处理的准确性和自动化水平，最终实现重金属形态的快速、准确判定。

3.3 引入人工智能算法优化数据处理模型

传统的数据处理模型如线性回归、主成分分析等，对水产品基质复杂性和重金属形态多样性的适应能力有限。引入机器学习算法，如支持矢量机（Support Vector Machine，SVM）、随机森林（Random Forest，RF）等，可显著提升模型对复杂非线性关系的拟合能力。以RF为例，通过构建多个决策树并综合其预测结果，可有效减轻数据噪声和异常值带来的影响，提高模型的稳健性。同时，RF算法还能提供各输入变量的重要性排序，有助于筛选出影响重金属含量的关键因素，优化检测方案设计。近年来，深度学习技术，如卷积神经网络（Convolutional Neural Networks，CNN）在光谱数据解析中应用前景广阔。将CNN应用于重金属检测的原子吸收光谱（Atomic Absorption Spectroscopy，AAS）、电感耦合等离子体发射光谱（Inductively Coupled Plasma Optical Emission Spectrometer，ICP-OES）等数据处理，可自动提取光谱曲线的特征模式，克服基体效应和谱线重叠等干扰，实现重金属含量的快速、准确定量。需要指出的是，CNN还可与迁移学习策略相结合，通过在相似基质或重金属类型间转移训练好的模型，显著减少样本标注和计算资源消耗，提高模型的泛化能力和实用性。此外，生成对抗网络（Generative Adversarial Networks，GAN）是一种有潜力的数据增强技术，可通过生成与真实样本分布相似的合成数据，扩充训练样本量，提高模型的健壮性。例如，利用GAN生成不同污染程度、基质类型的水产品光谱数据，可有效解决实际检测中样本不平衡、数量有限等问题，增强模型对边缘少数类样本的识别能力。同时，GAN还可用于光谱数据的去噪和增强，通过学习光谱信号与噪声的分布特征，自动实现背景校正和信号放大，提高检测灵敏度和准确度。为进一步提升模型预测性能，可结合混合整数规划、贝叶斯优化等智能优化算法，对模型架构、超参数进行自动选择和调优，找出最优的建模方案，最大限度地挖掘数据中的规律和信息。

4 结语

本文分析了水产品重金属污染检测面临的主要问题，提出从微流控芯片技术、重金属形态原位表征新方法和人工智能算法等3个方面优化检测技术的建议。今后，应加强多学科交叉融合，着力提升样品处理自动化水平，深化重金属赋存形态分析，创新检测数据的智能解析方法，为保障水产品质量安全提供有力的技术支撑。

参考文献

[1]化天赐，李艳，黎晏彰，等.场地铬污染的微生物治理及资源化实验[J/OL].硅酸盐学报，1-7[2024-08-10].https：//doi.org/10.14062/j.issn.0454-5648.20240162.

[2]李莹，钱敏，曾晓房，等.畜禽肉类预制菜肴全链条风险因子研究进展[J/OL].食品工业科技，1-15[2024-08-10].https：//doi.org/10.13386/j.issn1002-0306.2024030021.

[3]曾子毅，周莹，李冠斯，等.中国与菲律宾水产品中重金属限量对比分析[J].标准科学，2024（6）：130-135.

[4]陆昱养，周伦敏，何云亚.象山县养殖水产品重金属污染与环境相关性研究[J].农村科学实验，2024（10）：193-195.

[5]侯彦琳，郝青，孙秀梅，等.苍南近岸海域水产品重金属分布特征及风险评估[J].中国无机分析化学，2024，14（9）：1255-1263.

作者简介：桑爽（1989—），女，内蒙古巴彦淖尔人，本科，工程师。研究方向：食品检验检测技术。