在通过液相色谱-高分辨质谱（LC-HRMS）进行的疑似物筛查或非靶向分析中，高精度的鉴定通常依赖于保留时间（RTs）和MS/MS图谱。然而，由于标准品稀缺，保留时间难以获得。在此，我们开发了一种基于定量构效-保留关系（QSRR）的RT预测模型，利用机器学习技术，专门用于预测与意外食物中毒有关的植物毒素。利用524种化合物的分子描述符（MDs）和实验保留时间生成了用于构建QSRR模型的数据集。使用10种机器学习算法，根据实验保留时间与分子描述符之间的关系构建了QSRR回归模型。在分析的数据集上，支持向量回归（SVR）QSRR模型在泛化能力方面优于其他QSRR模型（R2: 0.972，平均绝对误差：183 [约1.6分钟]，平均绝对百分比误差 [MAPE]：6%；Q2: 0.875，MAE：584 [约2.0分钟]，MAPE：15%）。此外，SVR QSRR模型成功地预测了九种植物毒素的保留时间，误差在±0.5分钟以内。因此，该模型提高了通过LC-HRMS鉴定植物毒素的可信度。

食品安全，尤其是农药残留带来的风险，已成为一个关键的公共卫生问题。现有检测方法通常速度慢、成本高且需要复杂设备，限制了其广泛应用。本研究介绍了一种用于农药残留的快速试纸条检测系统，重点针对胆碱酯酶和有机磷农药。该系统将比色反应与机器视觉相结合，实现图像分析的自动化。采用包括降噪和阈值提取在内的关键图像处理技术来分析试纸条的RGB值。然后推导出多色特征指数来处理数据。此外，开发了一种改进的遗传编程-符号回归（GP-SR）模型，以建立这些指数与农药残留水平之间的关系。实验结果表明，增强后的GP-SR模型在归一化后使R2值最多提高0.195，决定系数提高2.5%，RMSE降低16%。这种方法为检测水果和蔬菜中的农药残留提供了一种更高效、更准确的方法，有助于改善食品安全监控。

花生是一种全球重要的作物，易受黄曲霉毒素B1（AFB1）污染，对食品安全构成重大威胁。本研究采用激光诱导荧光光谱法（LIFS）检测单粒花生中的AFB1。模拟自然污染条件以获得具有不同AFB1水平的花生，并使用单探头和三探头方法收集表面荧光信号。通过湿化学方法量化毒素含量，并应用机器学习进行分类。结果表明，增加探针数量可显著提高检测精度并降低假阴性率（FNR）。提出了一种加权算法来增强光谱分析，该算法可以放大污染样本和未污染样本之间的差异。基于三探头加权荧光光谱数据的线性支持向量机（SVM）获得了最佳判别能力（准确率=100%）。此外，随机森林（RF）算法识别了六个关键波长，使SVM分类器能够以94.12%的准确率和0%的假阴性率预测污染情况。这种高灵敏度、高精度的方法为花生的快速、无损AFB1检测提供了可靠的技术方案，有望在食品安全监测中得到关键应用。

茶多酚（TPs）和二氢杨梅素（DMY）是藤茶的关键品质属性。本研究开发了一种集成机器学习（ML）和深度学习（DL）方法的智能手机便携式近红外（NIR）设备，用于快速预测藤茶中的TPs和DMY。使用开发的便携式设备和智能手机软件采集藤茶样品的近红外光谱，同时使用紫外-可见分光光度计和高效液相色谱法（HPLC）测定TPs和DMY的含量。为了准确分析光谱数据，对各种ML和DL模型进行了评估和比较。结果表明，在大样本环境中，深度学习模型，包括卷积神经网络（CNN）、长短期记忆网络（LSTM）和CNN-LSTM，表现出优于传统机器学习方法的预测性能。其中，CNN-LSTM对TPs（Rp = 0.9816； RPD = 5.24）和DMY（Rp = 0.9900； RPD = 7.11）表现出最佳的预测性能。此外，最优模型的验证性能值得称道，其决定系数最大值（TPs为0.9483， DMY为0.9625）。这表明，所开发的智能便携式NIR仪器与DL工具相结合，能够实现藤茶品质成分的快速现场检测。此外，它还为藤茶在线加工过程中的实时质量监控提供了一种潜在策略。

英文
In order to discriminate the early stages of rice mildew process, headspace solid-phase microextraction equipped with gas chromatography-mass spectrometry (HS-SPME-GC-MS) and gas chromatography-ion mobility spectrometry (GC-IMS) were used to analyze volatile organic compounds (VOCs) changes in the process of rice mildew respectively. Two types of VOCs data were fused using primary fusion and feature-level fusion methods, and orthogonal partial least squares discrimination analysis (OPLS-DA) was applied to establish a discriminant model by combining the clustering results of multi-physicochemical indicators. The clustering analysis of physicochemical indicators exhibited that the rice mildew process could be divided into 6 stages. The OPLS-DA model based on primary fusion demonstrated the highest effectiveness in distinguishing different stages of rice mildew; the goodness of fit (R^2) was 0.98, and the goodness of prediction (Q^2) was 0.93. In conclusion, the combination of GC-MS and GC-IMS technologies could effectively distinguish the early stages of rice mildew process, which would serve as a valuable reference for the rapid and nondestructive detection of rice quality throughout the mildew process.
中文
和气相色谱 - 离子迁移谱技术（GC-IMS），分析大米霉变过程中挥发性有机化合物（VOCs）的变化特征。
研究采用数据级融合与特征级融合两种方法对两类 VOCs 数据进行融合处理，并结合多项理化指标的聚类分析结果，运用正交偏最小二乘判别分析（OPLS-DA）建立霉变阶段判别模型。理化指标聚类分析结果表明，大米霉变过程可划分为 6 个阶段。基于数据级融合的 OPLS-DA 模型在区分不同霉变阶段时表现出最优效果，其拟合优度（R²）达 0.98，预测优度（Q²）为 0.93。
综上，GC-MS 与 GC-IMS 技术联用可有效鉴别大米霉变的早期阶段，为大米霉变过程中的品质快速无损检测提供了重要参考。