近日，我组在食品化学污染物筛查方面取得新进展，建立了基于机器学习技术和液相色谱-高分辨质谱（LC-HRMS）的食品中未知化学污染物非靶向筛查新方法，可为食品中未知风险物的发现提供技术支撑。

食品安全与广大民众息息相关。食品中不断出现的未知/新型化学污染物给分析化学带来了巨大挑战。基于LC-HRMS的非靶向分析技术可以获得丰富的蕴含化合物结构信息的谱学数据，但如何从复杂的谱学数据中筛选未知化学污染物并对其结构进行表征，是食品安全分析亟待解决的瓶颈问题。

在前期研究中发现，对LC-HRMS检测到的全部特征进行逐一识别极其困难且耗时，而通过质谱信息预先获取食品中未知风险的类别信息，会使识别变得容易。在该前提下，研究团队基于LC-HRMS和机器学习算法构建了一种新的二级质谱（MS2）分类驱动的食品中化学污染物非靶向筛查新方法“AIHazardsFinder”。首先，利用自建数据库、网络数据库及公开文献，获取食品中可能出现的化学污染物类别信息及实验MS2数据，并通过结构和分子骨架特点进行手动分类。在此基础上构建人工神经网络分类模型，对上述数据库中的农药、兽药、真菌毒素等32类化学污染物进行分类识别。结果表明，该模型预测精度好，对24类化学污染物的F1分数大于0.8。所建方法已经成功用于动物源性食品样品中未知风险物质的识别，为未来食品安全性评价和风险预警提供了重要的技术手段。

相关研究成果以“Screening and identification of unknown chemical contaminants in food based on liquid chromatography–high-resolution mass spectrometry and machine learning”为题，近日发表在《分析化学学报》（Anal. Chim. Acta., 1287, 342116）。该工作的第一作者是我组博士研究生陈田田，通讯作者为赵春霞副研究员和许国旺研究员。上述工作得到了国家重点研发计划、国家自然科学基金、大连化物所创新基金等项目的资助。（文/图陈田田）

文章链接：https://doi.org/10.1016/j.aca.2023.342116