张静 邱嘉兴 刘德星 郑传发 张宪臣 邱德义 陈健

摘 要 食品溯源与成分鉴别是食品科学领域的重要研究课题，对于构建食品质量控制技术体系具有重要意义。近年来，多种溯源与成分鉴别方法持续发展，包括稳定同位素比率分析、特征化学成分分析、分子生物学、蛋白质组学及代谢组学等，这些方法在检测限、通量、适用性及成本效益方面存在显著差异，且在实际应用中面临样本前处理复杂、标准化框架有待完善等挑战。本文综述了食品溯源与成分鉴别方法的研究进展，分析关键瓶颈并提出创新方向，为完善相关技术体系与质控策略提供参考。

关键词 食品溯源；成分鉴别；分子生物学；同位素分析；蛋白质组学；代谢组学；无损检测

A Review of Research Advances in Food Traceability and Ingredient Authentication Technologies

ZHANG Jing¹ QIU Jia-Xing¹ LIU De-Xing¹ ZHENG Chuan-Fa¹

ZHANG Xian-Chen¹ QIU De-Yi¹ CHEN Jian^1*

Abstract Food traceability and ingredient authentication constitute pivotal research themes in food science are essential for establishing comprehensive food-quality control systems. In recent years, a diverse array of traceability and authentication methodologies has undergone continuous advancement, encompassing stable isotope ratio analysis, targeted chemical profiling, molecular biology, proteomics, and metabolomics. These methods exhibit substantial variations in detection limits, throughput, applicability, and cost-effectiveness, and their practical deployment is hampered by labor-intensive sample preparation and the absence of well-defined standardization frameworks. This article systematically reviews research progress in food traceability and authentication methodologies, identifies critical bottlenecks and innovative directions, and provides scientific underpinnings for enhancing related technical systems and quality control strategies.

Keywords food traceability; ingredient authentication; molecular biology; isotope analysis; proteomics; metabolomics; non-destructive testing

食品溯源与成分鉴别技术的发展直接关联产业规范与市场秩序。随着食品产业链日益复杂化，其原料采集、加工、流通环节的管控需求推动了该领域研究的持续革新。从传统的感官评估到现代的仪器检测，从基础的理化分析到先进的分子鉴别，方法的准确度、灵敏度和稳定性都有显著提升。

目前，国际上主要采用的技术包括稳定同位素比率分析、特征化学成分分析以及生物学技术（包括分子生物学、蛋白质组学和代谢组学等）。稳定同位素比率分析和元素分析在地理溯源中应用广泛，通过分析食品中同位素和元素的特征组成，可以推断出食品的地理来源和生产环境，为食品溯源提供了科学依据^[1]。此外，结合化学计量学方法的仪器分析技术，也为验证食品溯源与成分鉴别研究开辟了新的途径^[1]。在生物学技术方面，以DNA条形码技术为代表的分子鉴别方法，由于其高灵敏度和特异性，已成为物种鉴别的重要工具。通过分析样本中的DNA，该技术能够有效识别物种替代现象，确保食品鉴别的准确性^[2]。然而，现有技术仍面临一些挑战。例如，部分检测方法耗时较长且操作复杂；全球范围内尚未形成一个完善的数据库，这可能导致数据的不完整性，影响食品产地来源的可靠性。

基于此，本文综合分析了稳定同位素比率分析、特征化学成分分析、分子生物学技术、蛋白质组学和代谢组学等技术的基本原理，系统阐述这些技术在食品溯源与成分鉴别中的应用进展，探讨当前面临的挑战，以期为推动相关技术的深入研究与应用、优化食品溯源体系提供理论支持。

1 研究现状

1.1 稳定同位素比率分析

稳定同位素比率分析通过测定特定同位素（如δ¹³C、δ¹⁵N、δ³⁴S、δ²H、δ¹⁸O、⁸⁷Sr/⁸⁶Sr）的相对丰度差异，揭示物质的地理来源、生物代谢途径及生产过程^[3]。该技术主要依托质谱法，如气相色谱—质谱联用（Gas Chromatography-Mass Spectrometry，GC-MS）、液相色谱—质谱联用（Liquid Chromatography-Mass Spectrometry，LC-MS）、电感耦合等离子体质谱（Inductively Coupled Plasma Mass Spectrometry，ICP-MS）和核磁共振（Nuclear Magnetic Resonance，NMR）等分析方法。在食品溯源领域，该技术展现了多维溯源的优势，可有效鉴别食品产地、生产方式、动物饲养环境等，为溯源与成分鉴别提供技术依据^[1]。例如，Bontempo等^[4]基于稳定同位素比率分析实现欧洲牛肉产地区分。YIN等^[5]利用多接收器电感耦合等离子体质谱（Multi-Collector Inductively Coupled Plasma Mass Spectrometry，MC-ICP-MS）测定中华绒螯蟹组织⁸⁷Sr/⁸⁶Sr比值，证实其与产地水样比值高度一致，具备产地溯源潜力。Pironti等^[6]利用核磁共振技术开发了¹³C-NMR直接测定法，可准确测定小分子化合物碳同位素比率，突破了传统同位素质谱无法进行挥发性样品检测的限制。此外，稳定同位素比率分析的鉴别范围进一步扩展至不可食用部分（如骨骼、毛发），将其转化为可靠的“生物档案”。这类组织因其稳定的新陈代谢特征，能够提供更长期、更稳定的溯源信息，显著增强溯源辨识精度与可靠性^[1,7]。稳定同位素比率分析在食品溯源与成分鉴别领域的研究正从单一技术向多模态分析范式演进。通过算法模型解析同位素指纹中的非线性复杂信息，突破传统判读的经验局限。通过机器深度学习模型进行多元统计分析，可显著提升数据处理效率与精度，从而增强溯源与成分鉴别的可靠性^[1]。例如，侯颖烨等^[8]利用元素分析—稳定同位素质谱法结合化学计量学，构建了橄榄油掺假判别模型。

稳定同位素比率分析虽然在食品溯源与成分鉴别中展现出良好的应用前景，但实际应用中仍面临以下挑战：首先是样品处理与分析过程中潜在的污染或同位素分馏效应可能引入误差，影响结果的可靠性^[9]。其次是样本同位素比率受环境条件、处理方式及分析方法等多重因素影响，数据解读需充分考虑这些潜在干扰变量^[10]。最后是不同分析方法在灵敏度和特异性上存在差异，方法选择对结果准确性至关重要^[1]。为提升稳定同位素比率分析的准确性，应开发全流程自动化分析平台，并构建同位素分馏效应补偿模型，以降低人为操作误差；整合同位素、多组学及地理信息等多维数据与机器学习，提高产地区分精度；系统绘制区域性食品同位素基准图谱（例如欧盟葡萄酒δ¹⁸O地图、亚洲稻米δ¹³C数据库），建立开放共享平台，减少研究重复，以提升跨境食品溯源的比对效率与可靠性。

1.2 特征化学成分分析

化学成分指物质中各类化学组分的构成及其相对比例。在食品科学领域，特征化学成分分析不仅用于营养价值评估，更通过识别特定特征标志物追溯食品来源与生产过程，从而验证其真实性与品质一致性^[11-12]。常用化学分析技术包括GC-MS、LC-MS、红外光谱技术（Infrared Spectroscopy，IR）及NMR，可对食品基质中的化学成分实现高特异性定性及定量分析。

GC-MS技术善于挥发/半挥发性有机小分子分析，贾菲菲等^[13]分析羊肉脂肪酸组成，区分了不同主要产地的羊肉。LC-MS技术聚焦非挥发性热敏化合物，王泽栋^[14]解析羊肉的氨基酸指纹特征，实现了羊肉的产地溯源。IR通过含氢基团特征吸收实现食用油地理溯源快速筛^[15]。表面增强拉曼光谱技术（Surface-Enhanced Raman Spectroscopy，SERS） 则支持食品成分无损检测^[16]，例如，李炫宗^[17]利用拉曼光谱技术结合化学计量学方法建立了三文鱼鉴别模型，鉴别出4种不同的三文鱼种类。NMR技术通过分子结构解析实现成分精准识别；冷拓^[18]基于¹HNMR谱图揭示了牛肉中甘油三酯及亚油酸等物质的含量差异，构建了真实性预测模型。这些技术的综合应用，为食品真实性验证提供了多维解决方案。

尽管特征化学成分分析在食品溯源与成分鉴别中得到了广泛应用，但食品基质复杂性会干扰分析精度，从而影响分析结果的准确性^[19]；痕量特征成分的定量、化学标记物稳定性等必须依赖高分辨率的仪器设备才能准确分离^[20]。为提升特征化学成分分析的准确性，可整合色谱质谱技术，优化分离与检测流程，以提升复杂基质中痕量成分的分辨率；构建化学特征成分指纹谱图数据库，建立智能匹配溯源机制，以实现成分的高通量识别与来源追踪；进一步集成无损检测技术，建立针对不同目标物的分级检测策略，以实现快速筛查与精准验证。

1.3 生物学技术

传统的鉴别方法如感官评估和化学分析，往往存在准确性不足和效率低的问题，无法满足现代食品工业的需求。随着生物学技术的迅猛发展，尤其是分子生物学、蛋白质组学和代谢组学等技术的应用，食品溯源与成分鉴别领域迎来了新的机遇。这些技术不仅能够提供更高的准确性和灵敏度，还能够实现对复杂食品矩阵中成分的快速检测和分析，为食品组分特征分析提供了坚实的技术支持。

1.3.1 分子生物学技术

分子生物学主要解析DNA、RNA、蛋白质等生物大分子的结构、功能及互作机制，其理论框架围绕遗传信息的存储、传递与表达调控建立。该技术通过分子层级表征，可精准鉴定生物样本的来源真实性、组分特征与属性本质。近年来，DNA条形码技术、基因组测序技术和实时荧光定量PCR（Real-Time Quantitative Polymerase Chain Reaction，qPCR）技术等分子生物学方法在食品溯源与成分鉴别中得到了广泛应用。随着该技术持续优化与发展，其应用范围已扩展至组分定量分析、痕量外源性物质筛查及微生物种属鉴别等多个重要方面。

（1）DNA条形码技术是一种应用生物本身所具有的一段特定的、高度保守且具有足够种间变异的标准化基因片段对物种进行快速、准确鉴别的生物身份识别技术^[21]。DNA条形码具有高度的物种特异性和较低的变异性，特别是在处理复杂的混合样本时，能够有效区分不同物种的DNA序列，广泛应用于食品溯源与成分鉴别领域^[22-24]。例如，陈健等^[21]、王敏等^[25]分别利用DNA条形码技术实现了对市售调理肉制品、鱼肉制品的鉴别与筛查。此外，DNA条形码技术在分类学研究中也具有广泛应用价值^[26]。相较于传统形态学方法，该技术可实现大量样本的快速处理，且不受样本形态完整性或发育阶段的限制。尤其是当面对物种多样性高的复杂类群时，DNA条形码能有效区分形态学方法难以鉴别的物种^[27]。深度学习和算法的革新，正推动DNA条形码技术从单一基因分析向多元数据整合的方向发展。例如，Yang等^[28]构建的MMNet模型，基于卷积神经网络（Convolutional Neural Network，CNN）整合了形态学与DNA数据进行联合分析，同属物种识别准确率超过98%。

（2）高通量测序技术，又称为第二代测序技术、下一代测序技术（Next-Generation Sequencing，NGS），作为基因组学研究的核心方法之一，通过限制性内切酶将基因组DNA片段化构建文库，经接头连接与PCR扩增形成固定于平板基质的克隆集群。每个克隆由单个文库片段扩增而成，支持数百万序列的并行分析^[29]。基于大规模并行测序原理，高通量测序能够在短时间内产出海量的DNA序列数据，显著提升了测序通量和效率。凭借其精准性和高通量特性，该技术能够有效鉴别食品来源。例如，Pan等^[30]则结合克隆测序、136 bp微型条形码与NGS技术，建立了一种深加工肉制品中多种动物源性成分的高效精准鉴别方法。

（3）实时荧光PCR技术利用在聚合酶链式反应（Polymerase Chain Reaction，PCR）体系中引入的荧光基团，对扩增过程中的荧光信号进行实时监测，以此追踪目标核酸产物的累积量，并通过标准曲线完成定量分析。该技术主要包含探针水解法（如TaqMan探针）和双链DNA结合染料法（如SYBR Green I）两大类方法，在食品物种成分鉴别领域已获得广泛应用^[31-32]。目前，我国已制定并实施了基于实时荧光PCR法鉴别食品中动物源性成分的检测标准，如行业标准SN/T 2051—2008《食品、化妆品和饲料中牛羊猪源性成分检测方法 实时PCR法》^[33]。此外，Chen 等^[34]建立了针对肉制品中牛源成分的实时荧光定量PCR定性与定量检测方法。

尽管分子生物学技术在食品溯源与成分鉴别方面显示出了高准确性，但应用在复杂食品样本中仍然面临一些技术瓶颈。例如，对降解样本的鉴别能力下降，种内变异与种间相似性可能引起鉴别偏差、参考数据库覆盖度不足等^[35-36]。此外，基因组技术的认知差异与接受度差异亦限制其在特定应用场景下的技术适用性^[37]。因此，有必要深入研究分子标记的稳定性，并整合多组学（如RNA转录组）数据，以提升样本检测的准确性，从而应对分子溯源技术在降解样本检测与数据库覆盖度不足等方面的挑战。

1.3.2 蛋白质组学

蛋白质组学作为研究生物体内蛋白质组分、结构及功能的系统性技术，通过解析特定条件下蛋白质表达谱的动态规律，实现蛋白质种类的精准鉴定与定量分析，为食品的物种溯源、产地鉴别及加工阶段差异研究提供了新方法^[38-39]。

基于蛋白质组学的食品溯源与成分鉴别技术主要分为凝胶电泳法和质谱分析法，双向凝胶电泳（2-DE）作为一项传统的蛋白质分离技术，虽然操作直观、应用广泛，但在分离检测低丰度蛋白、疏水性蛋白以及极端pH值（极酸或极碱）蛋白方面存在明显局限性，而且难以实现高通量自动化分析^[40]。相较传统凝胶电泳，质谱技术具备高灵敏度、准确度及通量优势，可在单次试验中同步检测数千种蛋白质，不仅实现基础蛋白鉴定，更深度支撑翻译后修饰解析、差异表达谱分析、功能及互作等研究^[41]。目前，基质辅助激光解吸电离飞行时间质谱（Matrix-Assisted Laser Desorption/Ionization Time-of-Flight Mass Spectrometry，MALDI-TOF-MS）、同位素标记相对与绝对定量（Isobaric Tags for Relative and Absolute Quantitation，iTRAQ）以及多反应监测（Multiple Reaction Monitoring，MRM）等技术已经成为蛋白质组学研究的主流方法，极大地推动了蛋白质组学在食品成分真实性鉴别领域的应用。

近年来，质谱技术与生物信息学的协同突破显著拓展了蛋白质组学的应用维度。当前，蛋白质组学已发展为支撑物种鉴定、产地溯源、品质评价及真实性识别筛查等研究的关键技术体系，基于质谱的蛋白质组学方法，凭借其高通量解析能力，可精准实现食品真实性认证、地理标志追溯及生物种属鉴别^[41-42]。张雅涵等^[43]基于蟹鳌组织蛋白指纹图谱，建立了阳澄湖大闸蟹的同源性鉴别方法，为大闸蟹产地鉴别提供了科学依据。Caira等^[44]通过分析牛乳酪蛋白特征肽，同时实现了意大利水牛马苏里拉奶酪的地理溯源和牛乳成分鉴别。Varunjikar等^[45]进一步结合质谱技术与光谱库匹配法，通过分析鱼肉样本的蛋白质指纹，成功区分了不同鱼类物种并识别了掺假成分。

蛋白质组学技术虽然为食品溯源提供了高精度的判别依据，但其应用面临若干挑战：加工过程中的蛋白质结构变化导致部分特征性蛋白标志物缺失^[46]；部分物种缺乏完整的蛋白质参考数据库^[47]；定量方法标准化不足导致试验室间的重复性较差；食品中的脂类、多糖等成分的干扰降低了蛋白质鉴别的效率^[46]；单一的蛋白质组学数据难以全面解析食品的复杂属性，需要结合代谢组学或基因组学来提高溯源的精度^[48]等。为突破蛋白组学技术瓶颈，应开发抗基质效应的前处理方法和自动化平台，拓展数据库的覆盖范围，同时推动多组学方法标准化与联合应用创新。

1.3.3 代谢组学

作为系统生物学的重要研究工具，代谢组学专注于探究生物体内代谢产物的动态变化规律^[49]。该技术通过全面剖析食品基质中各类小分子代谢物（如糖类、有机酸、氨基酸等）的组成特性及其含量波动，为质量监控、地理溯源以及食品成分鉴别提供了创新的技术途径^[50]。代谢组学研究主要依托于振动光谱技术（如近红外光谱）、色谱—质谱联用技术、NMR等，这些技术产生的多维复杂数据需要借助机器学习算法（如随机森林法、遗传算法等）进行深入分析，并结合化学计量学方法构建预测模型，从而提升分析结果的可靠性和解释力^[51]。

代谢物检测主要采用两种互补的分析策略^[52]：非靶向代谢组学通过全局代谢物筛查，识别差异显著的特征标志物，解析样品的整体代谢轮廓^[53]；靶向代谢组学则基于预设假设，选择性检测特定代谢物以验证研究假说^[52,54]。研究实践中，非靶向与靶向策略常协同实施：先通过非靶向分析建立代谢轮廓特征谱，再经靶向方法对关键代谢物精确定量验证。该框架同步实现代谢物筛查的广泛覆盖与目标物分析的高可靠性^[52]。

在食品溯源与成分鉴别领域，代谢组学涉及物种鉴别、地理溯源、成分真实性验证等多个方面。例如，Chatterjee等^[55]通过代谢组学分析成功建立了虾类物种的鉴别模型，实现了虾类产品的成分真实性验证。Dong等^[56]对中国不同地理来源羊肚菌属的代谢组学分析，揭示了其代谢谱具有显著的地域特异性。Lu等^[57]基于核磁共振代谢组学评估金属污染对中国对虾的生物效应。研究显示，代谢标志物不仅能反映水产品种属特征，还可指示其生长环境及加工过程的影响，为全程质量控制提供了新的思路。但代谢物的动态特性易受个体差异、环境变化及加工、储运过程等多种因素影响，导致试验结果的可重复性与稳定性降低^[50]。此外，仪器灵敏度不足致使低丰度代谢物难以有效检测^[49]、不同试验室采用的分析平台和样本处理方法差异显著^[51]、代谢物数据库的构建与覆盖范围有限、代谢物鉴别与注释标准缺乏统一性等挑战^[58-59]亦亟待解决。因此，有必要通过整合多组学数据并系统优化分析方法，以提升代谢组学在食品溯源与成分鉴别中的准确性与适用性，从而推动该技术向标准化和实用化方向发展。

1.4 无损检测技术

无损检测（Non-Destructive Testing，NDT）是指运用声、光、电、磁、力等物理手段，在保持待测物理化特性完整的前提下无损采集数据，通过归一化处理和分类算法达成检测目标。该技术兼具操作简易性和在线实施优势，既可确保样品结构完整性，又能深度解析外观无法表征的内部品质特征^[41]。相较于传统化学方法，无损检测以其高效性与非破坏性优势，发展为现代食品品质分析的研究热点^[60]。无损检测技术包括光谱技术（包括中红外光谱（Mid-Infrared Spectroscopy，MIR）、NIR、拉曼光谱、高光谱成像技术）、计算机视觉技术、NMR、超声波检测技术以及电子鼻/电子舌（仿生传感技术）^[61]，该技术体系集成了物性学、光谱学、传感技术、信息科学、人工智能及计算科学的多学科知识架构^{[17,41,62-63]}。

无损检测技术已广泛应用于农畜产品品质解析、感官特性及有害物质筛查等领域^{[17-18,64-66]}。但农产品固有的形态异质性高、内部结构复杂及组分空间分布不均，常伴随多种特征官能团及相似分子结构共存，易导致测量信号重叠、背景干扰加剧及信号衰减等问题，难以直接对特征组分进行定量分析^[67]，因此，需借助化学计量学方法构建分析模型，以实现精确的定量检测^[68]。此外，各类无损检测技术皆陷入特定技术瓶颈^[20,69]：光谱技术亟需构建完善且标准化的光谱数据库；计算机视觉技术需精确控制光源条件并有效抑制环境噪声；电子鼻/电子舌技术则需研发高选择性、长期稳定的新型传感器。为提升无损检测技术在食品溯源中的应用效能，需从数据融合、算法优化与检测设备创新等多个层面系统推进，构建多维度协同的技术增强路径。

2 面临的挑战与对策建议

目前，全球范围内食品溯源与成分鉴别研究高度活跃，我国也正处于该领域的探索前沿。尽管如此，相关研究多处于初步探索阶段，面临技术储备欠缺与创新能力受限的双重挑战。具体表现为：普遍存在中低水平同质化研究，原始创新性成果匮乏；分析方法多聚焦于已知物定性，未知物筛查与定量技术发展相对滞后；技术研发单一分散，缺乏系统性解决方案。因此，亟需深化基础理论研究，并强化创新体系构建。

对此，笔者建议可以从以下重点发展方向进行研究：开发多组学技术的联合分析策略，以克服单一方法的局限性，提高复杂基质样本的解析能力；建立跨平台的标准化数据库与分析流程，增强方法普适性与结果可靠性；深度融合人工智能与大数据分析，构建跨组学特征库与动态预测模型，提升全球化供应链全链条溯源体系的精准性与可靠性。通过技术创新与标准化的协同创新，为食品全链条溯源提供坚实的技术支撑。

3 结语与展望

食品溯源与成分鉴别技术的发展经历了从形态学、理化分析到分子水平的演进，这一发展显著提升了鉴别技术的准确性、灵敏度和稳定性，同时也反映了加工食品体系日益复杂对鉴别技术提出的更高需求。在应用层面，技术的适用性、融合性与体系化构建成为关键考量，即依据样本特性选择适宜方法实现最佳效果，并通过多组学整合分析促进多学科技术间的融合。未来发展方向将聚焦高通量、精准化与快速化，具体表现为构建以基于大数据的多组学（如基因组学、蛋白质组学、代谢组学等）高通量分析为核心，便携式无损检测技术为补充的方法体系。这种融合模式代表了当前食品溯源与成分鉴别技术发展的主要趋势，并将持续深化与拓展。

参考文献

[1] Ye H, Yang J, Xiao G, et al. A comprehensive overview of emerging techniques and chemometrics for authenticity and traceability of animal-derived food[J]. Food Chemistry, 2023, 402: 134216. DOI: 10.1016/j.foodchem.2022.134216.

[2] Matthes N, Pietsch K, Rullmann A, et al. The Barcoding Table of Animal Species (BaTAnS): a new tool to select appropriate methods for animal species identification using DNA barcoding[J]. Molecular Biology Reports, 2020, 47(8): 6457-6461.

[3] Yan Zhao , Bin Zhang, Gang Chen, et al.  Recent developments in application of stable isotope analysis on agro-product authenticity and traceability[J]. Food Chemistry, 2014, 145: 300-305.

[4] Bontempo L, Perini M, Pianezze S, et al. Characterization of Beef Coming from Different European Countries through Stable Isotope (H, C, N, and S) Ratio Analysis[J]. Molecules, 2023, 28(6): 2856. DOI: 10.3390/molecules28062856.

[5] YIN H M, HUANG F, SHEN J, et al. Using Sr isotopes to trace the geographic origins of Chinese mitten crabs [J]. Acta Geochimica, 2020, 39(3): 326-336.

[6] Pironti C, Ricciardi M, Motta O, et al. Application of ¹³C Quantitative NMR Spectroscopy to Isotopic Analyses for Vanillin Authentication Source[J]. Foods, 2021, 10(11): 2635. DOI: 10.3390/foods10112635.

[7] Frank J, Monahan, Olaf Schmidt, et al. Meat provenance: Authentication of geographical origin and dietary background of meat[J]. Meat Science, 2018, 144: 2-14. DOI: 10.1016/j.mea- tsci.2018.05.008.

[8] 侯颖烨, 王志元, 谢建军. 元素分析—稳定同位素质谱法结合化学计量学鉴别橄榄油掺假 [J]. 中国油脂, 2023, 48(6): 73-78.

[9] Steele Z T, Caceres K, Jameson A D, et al. A protocol for distilling animal body water from biological samples and measuring oxygen and hydrogen stable isotopes via cavity ring-down spectroscopy[J]. Isotopes in Environmental and Health Studies, 2024, 60(3): 229-250.

[10] Zhou X, Yan Z, Jin B, et al. Origin verification of imported infant formula and fresh milk into China using stable isotope and elemental chemometrics[J]. Food Control, 2021, 128: 108165. DOI: 10.1016/j.foodcont.2021.108165.

[11] Zou L, Li H, Ding X, et al. A Review of the Application of Spectroscopy to Flavonoids from Medicine and Food Homology Materials. Molecules, 2022, 27(22): 7766. DOI: 10.3390/molecu- les27227766.

[12] 谢璇洁, 程煜, 方小伟, 等. 食品中脂肪酸的分析方法研究进展[J]. 现代食品科技, 2023, 39(5): 329-339.

[13]贾菲菲, 王钢力, 冯芳, 等. 基于脂肪酸指纹图谱的我国羊肉产地溯源研究[J]. 食品安全质量检测学报, 2021, 12 (11): 4638-4646.

[14] 王泽栋. 不同地区肉羊营养成分和风味特性差异性研究[D]. 呼和浩特: 内蒙古农业大学, 2021.

[15] Ozen B, Cavdaroglu C, Tokatli F. Trends in authentication of edible oils using vibrational spectroscopic techniques[J]. Analytical Methods, 2024, 16(26): 4216-4233.

[16] Xu ML, Gao Y, Han XX , et al. Innovative Application of SERS in Food Quality and Safety: A Brief Review of Recent Trends[J]. Foods, 2022, 11(14): 2097. DOI: 10.3390/foods11142097.

[17] 李炫宗. 基于拉曼光谱和高光谱的三文鱼肉品质鉴别的方法研究[D]. 广州: 华南农业大学, 2020.

[18] 冷拓. 基于近红外和核磁共振技术的牛肉肉糜掺假和品质指标预测[D]. 南昌: 南昌大学, 2020.

[19] Yan Liu, Jincheng Liu, Yongqing Zhang. Research Progress on Chemical Constituents of Zingiber officinale Roscoe[J]. Biomed Research International, 2019: 5370823. DOI: 10.1155/2019/5370823.

[20] Jia Shao, Yanxue Zheng, Yuanyuan Wang, et al. Rapid classification and identification of chemical compositions of Pu-zhi-hui-ling decoction by UHPLC-Q-Orbitrap HRMS[J]. Natural Product Research, 2025, 39(9): 2453-2462.

[21] 陈健, 岳巧云, 邱德义. DNA条形码技术检测调理肉制品掺杂[J]. 肉类研究, 2016, 30 (6): 35-39.

[22] Antil S, Abraham J S, Sripoorna S, et al. DNA barcoding, an effective tool for species identification: a review[J]. Molecular Biology Reports, 2023, 50(1): 761-775.

[23] Dawan J, Ahn J. Application of DNA barcoding for ensuring food safety and quality[J]. Food Science and Biotechnology, 2022, 31(11): 1355-1364.

[24] Nehal N, Choudhary B, Nagpure A, et al. DNA barcoding: a modern age tool for detection of adulteration in food[J]. Critical Reviews in Biotechnology, 2021, 41(5): 767-791.

[25] 王敏, 刘荭, 黄海, 等. DNA条形码技术在深圳鱼肉制品鉴定中的应用[J]. 食品科学, 2015, 36(20): 247-51.

[26] 高峰, 于伯华, 王丽娟, 等. 基因条形码技术在鱼类物种识别与鉴定中的应用[J]. 中国动物检疫, 2015(6): 44-47.

[27] 黄蓬英, 廖富荣, 范群艳, 等. 燕窝显微特征及基于DNA条形码的基源鉴别[J]. 食品安全质量检测学报, 2021, 12(23): 9140-9148.

[28] Yang B, Zhang Z, Yang C, et al. Identification of Species by Combining Molecular and Morphological Data Using Convolutional Neural Networks[J]. Systematic Biology, 2022, 71(3): 690-705.

[29]孙帅, 张庆霞, 刘金杰. 二代测序技术在法庭科学中的应用 [J]. 中国法医学杂志, 2016, 31(S1): 125-127.

[30] Pan Y, Qiu D, Chen J, et al. Combining a COⅠ Mini-Barcode with Next-Generation Sequencing for Animal Origin Ingredients Identification in Processed Meat Product[J]. Journal of Food Quality, 2020, 2020(9): 1-9. 

[31]易艳, 刘明东, 蒋子敬. 基于分子生物学原理技术检测肉制品中动物源性成分研究进展[J]. 食品与发酵工业, 2023, 49 (4): 288-294.

[32]王玉倩, 薛秀花. 实时荧光定量PCR技术研究进展及其应用[J]. 生物学通报, 2016, 51(2): 1-6.

[33] SN/T 2051—2008 食品、化妆品和饲料中牛羊猪源性成分检测方法 实时PCR法[S]. 北京: 中国标准出版社, 2008.

[34] Chen X, Lu L, Xiong X, et al. Development of a real-time PCR assay for the identification and quantification of bovine ingredient in processed meat products[J]. Scientific Reports, 2020, 10(1): 2052. DOI: 10.1038/s41598-020-59010-6.

[35] Shuang Zhu, Qiaozhen Liu, Simin Qiu. DNA barcoding: an efficient technology to authenticate plant species of traditional Chinese medicine and recent advances[J]. Chinese Medicine, 2022, 17(1): 112. DOI: 10.1186/s13020-022-00655-y.

[36] Sandeep Antil, Jeeva Susan Abraham, S Sripoorna. DNA barcoding, an effective tool for species identification: a review[J]. Molecular biology reports, 2023, 50(1): 761-775.

[37] Haider A, Iqbal S Z, Bhatti I A, et al. Food authentication, current issues, analytical techniques, and future challenges: A comprehensive review[J]. Comprehensive Reviews in Food Science and Food Safety, 2024, 23(3): e13360. DOI: 10.1111/1541-4337.13360.

[38] Tarbeeva S, Kozlova A, Sarygina, et al. Food for Thought: Proteomics for Meat Safety [J]. Life, 2023, 13(2): 255. DOI: 10.3390/life13020255.

[39] Eiseul Kim, Youngjae Cho, Yoonju Lee, et al. A proteomic approach for rapid identification of Weissella species isolated from Korean fermented foods on MALDI-TOF MS supplemented with an in-house database [J]. International Journal of Food Microbiology, 2017, 243: 9-15. 

[40] Basappa M Naveena, Deepak S Jagadeesh, Veeranna Kamuni, et al. In-gel and OFFGEL-based proteomic approach for authentication of meat species from minced meat and meat products[J]. Journal of the Science of Food and Agriculture, 2018, 98(3): 1188-1196. 

[41] 陈颖. 基于组学的食品表征识别与鉴伪研究[J]. 食品科学技术学报, 2019, 37(4): 1-13．

[42] Lutao Gao, Lilian Zhang, Jian Chen, et al. From genes to phenotypes: A review of multilevel omics techniques in beef quality[J]. Gene, 2025, 962: 149416. DOI: 10.1016/j.gene.2025.149416.

[43] 张雅涵, 张有勇, 袁丹. 基于蛋白指纹图谱的阳澄湖大闸蟹真伪鉴别研究[J]. 中国农业科技导报, 2023, 25(11): 80-89.

[44] Simonetta Caira, Gabriella Pinto, Maria Adalgisa Nicolai, et al. Simultaneously tracing the geographical origin and presence of bovine milk in Italian water buffalo Mozzarella cheese using MALDI-TOF data of casein signature peptides[J]. Analytical and Bioanalytical Chemistry, 2016, 408(20): 5609-5621.

[45] Varunjikar M S, Pineda-Pampliega J, Belghit I, et al. Fish species authentication in commercial fish products using mass spectrometry and spectral library matching approach[J]. Food Research International, 2024, 192: 114785. DOI: 10.1016/j.foodres.2024.114785.

[46] Piovesana, S., Capriotti, A. L., Caruso, et al. Labeling and label free shotgun proteomics approaches to characterize muscle tissue from farmed and wild gilthead sea bream (Sparus aurata)[J]. Journal of Chromatography A, 2016, 1428: 193-201. 

[47] Jan K, Ahmed I, Dar N A, et al. LC-MS/MS based characterisation and differential expression of proteins in Himalayan snow trout, Schizothorax labiatus using LFQ technique[J]. Scientific Reports, 2023, 13(1): 10134. DOI: 10.1038/s41598-023-35646-y.

[48] Renyu Zhang, Enrique Pavan, Alastair B Ross, et al. Molecular insights into quality and authentication of sheep meat from proteomics and metabolomics[J]. Journal of Proteomics, 2023, 276: 104836. DOI: 10.1016/j.jprot.2023.104836.

[49] Toby J Athersuch , Hector C Keun. Metabolic profiling in human exposome studies[J]. Mutagenesis, 2015, 30(6): 755-762. 

[50] Monique LeMieux, Arwa Al-Jawadi, Shu Wang, et al. Metabolic profiling in nutrition and metabolic disorders[J]. Advances in Nutrition, 2013, 4(5): 548-550. 

[51] Li S, Tian Y, Jiang P, et al. Recent advances in the application of metabolomics for food safety control and food quality analyses[J]. Critical Reviews in Food Science and Nutrition, 2021, 61(9): 1448-1469.

[52] Kelly Veerasammy, Yuki X Chen, Sami Sauma, et al. Sample Preparation for Metabolic Profiling using MALDI Mass Spectrometry Imaging[J]. Journal of Visualized Experiments, 2020, (166): 10.3791/62008. DOI: 10.3791/62008.

[53] Lippa K A, Aristizabal-Henao J J, Beger R D, et al. Reference materials for MS-based untargeted metabolomics and lipidomics: a review by the metabolomics quality assurance and quality control consortium (mQACC)[J]. Metabolomics, 2022, 18(4): 24. DOI: 10.1007/s11306-021-01848-6.

[54] Lin C, Tian Q, Guo S, et al. Metabolomics for Clinical Biomarker Discovery and Therapeutic Target Identification[J]. Molecules, 2024, 29(10): 2198.  DOI: 10.3390/molecules29102198.

[55] Chatterjee, Chevallier, Wielogorska, et al. Simultaneous authentication of species identity and geographical origin of shrimps: Untargeted metabolomics to recurrent biomarker ions[J]. Journal of Chromatography A, 2019, 1599: 75-84. 

[56] Dong H, Zhao X, Cai M, et al. Metabolomics Analysis of Morchella sp. From Different Geographical Origins of China Using UPLC-Q-TOF-MS[J]. Frontiers in Nutrition, 2022, 9: 865531. DOI: 10.3389/fnut.2022.865531.

[57] Lu Z, Wang S, Ji C, et al. Evaluation of metal pollution-induced biological effects in Chinese shrimp Fenneropenaeus chinensis by NMR-based metabolomics[J]. Marine Pollution Bulletin, 2020, 150: 110688. DOI: 10.1016/j.marpolbul.2019.110688.

[58] Devonshire A, Gautam Y, Johansson E, et al. Multi-omics profiling approach in food allergy[J]. World Allergy Organization Journal, 2023, 16(5): 100777. DOI: 10.1016/j.waojou.2023.100777. 

[59] Renata P C Barros, Luciana Scotti, Marcus T Scotti. Exploring Secondary Metabolites Database of Apocynaceae, Menispermaceae, and Annonaceae to Select Potential Anti-HCV Compounds[J]. Current Topics in Medicinal Chemistry, 2019, 19(11): 900-913. 

[60] Lin Y, Ma J, Wang Q, et al. Applications of machine learning techniques for enhancing nondestructive food quality and safety detection[J]. Critical Reviews in Food Science and Nutrition, 2023, 63(12): 1649-1669.

[61] 李莹. 屯昌黑猪肉品质评价及基于傅里叶变换红外光谱的品质无损检测[D]. 海口: 海南大学, 2019.

[62] Li L, Jia X, Fan K. Recent advance in nondestructive imaging technology for detecting quality of fruits and vegetables: a review[J]. Critical Reviews in Food Science and Nutrition, 2024: 1-19. DOI: 10.1080/10408398.2024.2404639.

[63] Ravindran N, Kumar S, M Y, et al. Recent advances in Surface Plasmon Resonance (SPR) biosensors for food analysis: a review[J]. Critical Reviews in Food Science and Nutrition, 2023, 63(8): 1055-1077.

[64] Qi W, Tian Y, Lu D, et al. Research Progress of Applying Infrared Spectroscopy Technology for Detection of Toxic and Harmful Substances in Food[J]. Foods, 2022, 11(7): 930. DOI: 10.3390/foods11070930.

[65] Zhou X, Zhao C, Sun J, et al. Nondestructive testing and visualization of compound heavy metals in lettuce leaves using fluorescence hyperspectral imaging [J]. Spectrochimica Acta Part A: Molecular and Biomolecular Spectroscopy, 2023, 291: 122337. DOI: 10.1016/j.saa.2023.122337.

[66] 夏艺. 基于机器学习分类模型的小麦微量样品高通量品质鉴定[D]. 杨凌. 西北农林科技大学, 2025.

[67] Wu X H, Liang X Y, Wang Y X, et al. Non-Destructive Techniques for the Analysis and Evaluation of Meat Quality and Safety: A Review[J]. Foods, 2022, 11(22): 3713. DOI: 10.3390/foods11223713.

[68] Hu Y, Ma B, Wang H, et al. Non-Destructive Detection of Different Pesticide Residues on the Surface of Hami Melon Classification Based on tHBA-ELM Algorithm and SWIR Hyperspectral Imaging[J]. Foods, 2023, 12(9): 1773. DOI: 10.3390/foods12091773.

[69] Xu S, Wang H, Liang X, et al. Research Progress on Methods for Improving the Stability of Non-Destructive Testing of Agricultural Product Quality[J]. Foods, 2024, 13(23): 3917. DOI: 10.3390/foods13233917.

基金项目：海关总署科研项目（2023HK121）；拱北海关科研项目（2023GK002，2023GK004，2023GK011）

第一作者：张静（1978—），女，汉族，贵州惠水人，本科，工程师，主要从事食品科学研究工作，E-mail:1312479538@qq.com

通信作者：陈健（1987—），男，汉族，安徽黄山人，硕士，高级工程师，主要从事分子生物学研究工作，E-mail: chenjian5861111@163.com

1. 中山海关技术中心 中山 528403

1. Zhongshan Customs Technical Center, Zhongshan 528403