仿刺参（Apostichopus japonicas）的产地是决定其市场价值的关键因素。本研究旨在探究多元素指纹图谱结合可解释机器学习技术，应用于我国仿刺参产地溯源的可行性。
研究采用电感耦合等离子体发射光谱法（ICP-OES）与电感耦合等离子体质谱法（ICP-MS），对 167 份仿刺参样本的 23 种元素含量进行检测，构建多元素特征图谱，并基于该图谱构建及验证了 4 种集成学习模型。其中，极限梯度提升（XGBoost）模型表现最优，其总体准确率、精确率、召回率、F1 分数及曲线下面积（AUC）分别达到 0.95、0.93、0.91 和 1。
为挖掘模型输出结果中隐含的产地特征信息，研究进一步引入沙普利加性解释（SHAP）算法对 XGBoost 模型进行可解释性分析。结果表明，硒（Se）是区分仿刺参产地的最核心元素标志物。
综上，本研究为多元素指纹图谱结合机器学习模型应用于仿刺参产地鉴别提供了充分的科学依据，证实该技术可作为仿刺参产地溯源的有效手段。

欧盟于 1977 年建立了食品和饲料快速预警系统（RASFF）门户网站，旨在对食物链中发现的公共健康风险开展跨境监测并快速响应。目前，欧盟尚无充足资源用以推行全面抽检制度，但食品和饲料快速预警系统的相关数据具备巨大潜力，可作为一项风险预防工具。
然而，当前针对食品与饲料风险事件预测的研究较为匮乏，尚未出现利用该系统数据开展的相关研究。尽管深度学习模型是性能优异的预测系统，但在该领域其表现是否优于其他机器学习技术，仍有待验证。此外，类别变量编码作为数值模型输入数据的重要性，同样需要重点研究。
本文研究结果表明，结合实体嵌入技术的深度学习模型为最优组合方案：在简化版食品和饲料快速预警系统流程的三个测试阶段中，该模型准确率分别达到 86.81%、82.31% 和 88.94%。不过，采用独热编码的随机森林模型，预测结果仅略逊一筹。由此可见，在模型预测效果层面，编码方式的影响程度要高于预测技术本身。
本研究同时证实，概率预测法（神经网络模型的一项优势）的应用，还可进一步优化抽检频次规划。

仅含 A2 β- 酪蛋白的牛奶（简称A2 奶）因其独特的健康功效而风靡全球。传统鉴别方法需借助基因检测技术（如基因测序）筛选携带 A2 β- 酪蛋白基因、仅能产 A2 奶的奶牛，但该方法耗时且成本高昂。本研究旨在绕开奶牛基因分型步骤，建立基于中红外光谱技术（MIR）结合化学计量学的检测方法，实现对大批量牛奶样本中 A1 奶与 A2 奶的直接鉴别。
在构建预测模型前，研究人员首先采集奶牛血样进行 A1 β- 酪蛋白与 A2 β- 酪蛋白的基因分型，并将分型结果作为参考标准值；随后利用乳制品分析仪获取这些奶牛所产牛奶的中红外光谱数据。研究以中红外光谱数据为自变量、基因分型参考值为因变量，构建 A1 奶与 A2 奶的类别判别模型。
实验将七种光谱预处理方法与两种特征提取算法进行组合建模，分别构建了偏最小二乘判别分析（PLS-DA）模型和支持向量机（SVM）模型。结果显示，两种模型测试集的平均准确率分别为 94.9% 和 94.4%，其中PLS-DA 模型表现更优，其训练集准确率达 96.6%，测试集准确率达 96.0%。研究人员采用一组独立样本对 PLS-DA 模型进行外部验证，验证结果显示预测准确率为 95.2%。
综上，本研究提出的基于中红外光谱技术的预测模型，可实现 A1 奶与 A2 奶的低成本、快速、大规模鉴别，对乳品生产行业具有重要的应用价值。

食品掺假是一个普遍存在的问题，销量高、价格受产地影响大的产品受其影响尤为严重。本研究采用同位素组学指纹图谱技术鉴别杏仁产地，以期防控此类食品掺假行为。
为开展此项研究，实验共采集分析了 250 份杏仁样本，涵盖 6 个不同国家的 30 余个品种，且样本覆盖 4 个产季。研究人员借助化学计量学方法，对样本的化学特征图谱进行分析处理。经对数变换（log 10）预处理结合支持向量机（SVM）建模后，模型实现了92.2%±0.7% 的产地预测准确率。研究结果表明，样本的收获年份及所属杏仁品种，对产地鉴别的结果无显著影响。

特级初榨橄榄油（EVOO）常被掺入精炼软化橄榄油（SROO）以造假。采用常规检测方法无法区分纯特级初榨橄榄油与它和精炼软化橄榄油的混合油，因此，已有研究考察了液相色谱 - 高分辨质谱联用技术（LC-MS）、气相色谱 - 离子迁移谱联用技术（GC-IMS） 以及闪蒸气相色谱 - 电子鼻技术（FGC-Enose） 的鉴别能力。本研究进一步探索将上述技术联用，以提升鉴别方法的分类性能。
研究前期已借助正负离子模式液相色谱 - 质谱联用技术（LC-(+/−) MS）、气相色谱 - 离子迁移谱联用技术与闪蒸气相色谱 - 电子鼻技术，对 43 份市售特级初榨橄榄油样品和 18 份特级初榨橄榄油掺精炼软化橄榄油的非法混合油样品完成检测。随后对上述四种检测数据集开展低水平数据融合与中水平数据融合处理，将融合得到的特征指纹图谱纳入偏最小二乘判别分析（PLS-DA），并提取其中信息量最大的特征变量，用于构建支持向量机（SVM）分类模型。研究人员计算并对比各项统计指标，筛选出最优分类模型。
基于多数据集联用的偏最小二乘判别分析 - 支持向量机（PLS-DA-SVM）策略验证结果显示：经低水平数据融合后，两种气相色谱衍生技术联用模型的鉴别能力较单一技术有显著提升。这表明在进行偏最小二乘判别分析前对数据集进行融合，能更有效地提取高信息量特征变量，进而强化样本分组区分度与未知样本的鉴别准确率。
相比单一的正离子模式液相色谱 - 质谱联用技术（LC-(+) MS） 检测矩阵，采用中水平与低水平数据融合法整合正负离子模式液相色谱 - 质谱联用技术的数据集后，在区分特级初榨橄榄油与掺假油方面的性能未表现出明显提升。四种技术数据集（正负离子模式液相色谱 - 质谱联用技术、气相色谱 - 离子迁移谱联用技术、闪蒸气相色谱 - 电子鼻技术）的低水平融合虽取得成功，但该方法操作繁琐，并不适用于工业化质量检测场景。
本研究创新性地将多模态的正负离子模式液相色谱 - 质谱联用技术、气相色谱 - 离子迁移谱联用技术与闪蒸气相色谱 - 电子鼻技术的检测数据进行融合，有效提升了鉴别模型的性能，为特级初榨橄榄油的真实性鉴别提供了新思路。其中，气相色谱 - 离子迁移谱联用技术与闪蒸气相色谱 - 电子鼻技术的低水平数据融合方案取得了最为理想的鉴别效果。