近日，江苏丘陵地区镇江农业科学研究所联合扬州大学、青岛农业大学和国际玉米小麦改良中心CIMMYT，在一区Top期刊《Journal of Hazardous Materials》(IF=11.3)发表题为“Predicting and classifying deoxynivalenol in wheat flour using ATR-FTIR spectroscopy and explainable machine learning”的研究论文。助理研究员刘家俊为论文第一作者，姚克兵研究员、李东升副研究员、徐登安副教授、李韬教授和何心尧教授为此研究做出了重要贡献。该研究得到生物育种钟山实验室等项目的资助。
小麦赤霉病引发的小麦籽粒中呕吐毒素（deoxynivalenol，DON）积累对人类健康构成严重威胁。当前DON检测主要依赖液相色谱和酶联免疫等传统方法，虽具较高灵敏度和准确性，但普遍存在检测成本高、周期长、操作复杂等问题，难以满足大规模快速筛查需求。
针对上述局限，该研究创新性地提出了一种结合红外光谱与可解释机器学习的快速检测方法，实现了小麦粉中DON的定量预测与二分类判别。结果表明，定量模型的决定系数（R²）达到0.86，相对预测偏差（RPD）为2.68，整体性能优于经典偏最小二乘回归（PLSR）模型。为提升模型可解释性，研究首次将SHAP方法引入DON定量建模，发现996 cm⁻¹、1083 cm⁻¹和1135 cm⁻¹等关键波数对预测结果有显著贡献。在以国家限量标准（1 mg/kg）为阈值的二分类任务中，模型获得91%的召回率和88%的准确率，显著优于PLS-DA模型。
该研究首次利用红外光谱对DON提取物进行检测并构建定量与分类预测模型。该方法操作简便、检测快速、成本低廉，具备开展大规模DON污染筛查与风险评估的应用潜力。
原文链接：
https://doi.org/10.1016/j.jhazmat.2026.141322.
