粮食中脱氧雪腐镰刀菌烯醇风险预警研究进展

李 森 刘宁晶 蔡 娣 叶 金 王松雪

(国家粮食和物资储备局科学研究院，粮油质量安全研究所1，北京 102600) (瓦赫宁根大学与研究中心，瓦赫宁根食品安全研究所2，瓦赫宁根 6708 WB)

脱氧雪腐镰刀菌烯醇(deoxynivalenol，DON)，又名呕吐毒素，是由镰刀菌产生的最常见真菌毒素之一。粮食在种植、收获、储运、加工过程中，非常容易受到DON污染。这种真菌次级代谢物在粮食中积累严重影响人类和动物的健康[1]。DON累积可能会引起人类和动物中毒，主要症状包括恶心、嗜睡、呕吐、消化和溶血性疾病、体液和细胞免疫反应障碍以及神经系统紊乱等[2,3]。同时，污染了DON的粮食在加工过程中可能会产生一些相关技术性问题，如影响啤酒麦芽化(抑制酶合成)、发酵(抑制酵母生长)或烘焙产品品质[4]。

DON对粮食及其制品的污染是一个世界性问题。基于DON的危害，世界各国各组织对DON在粮食中限量进行了规定，表1为部分国家和组织对DON在粮食及其制品中的限量标准。国外对粮食中真菌毒素污染调查研究也表明，DON检出率较高，部分地区超标严重。Edwards等[5]对英国小麦中镰刀菌毒素的研究显示，在2001—2006 年期间，镰刀菌毒素超过该国限量的样品比例为 0.4%～11.3%，主要超标物为DON和玉米赤霉烯酮。在我国谷物和谷物制品中，2009年小麦粉、玉米制品的DON检出率在53.42%～100%之间，2010年小麦粉、玉米样品的DON检出率在69.3%～96.8%之间[6,7]。根据Van der Fels-Klerx等[8]的预测，20年后，受全球气候变化影响，小麦开花和成熟均提前1～2周，西北欧大部分地区DON污染增加为原来浓度的3倍。因此急需控制当前和今后粮食中DON的污染。

粮食中DON污染分别由产前和产后两个阶段产生，产前主要指收获前的田间耕作过程，产后主要指粮食在农户、粮食经纪人、粮库、物流、食品加工企业的收获、储存、运输、加工过程。近年来，随着科技进步和我国储粮方式的不断改进，粮食产后安全得到了有力保障，粮食在产后储藏阶段真菌毒素积累得到了有效控制，目前粮食中真菌毒素的发生主要存在于粮食收获前。收获前，由于粮食作物在田间生长过程中真菌感染、耕作方式影响和天气条件不稳定，导致真菌毒素积累，且不同地区，不同年份间差异较大[9]。因此，寻找预测DON发生的方法，从而实施有针对性的预防措施，转变“被动防御”为“主动保障”，从根本上降低粮食DON污染非常重要。

当前，各个国家和地区在DON污染风险预警方面进行了很多研究。DON的产生主要与作物生长期间的天气情况、作物信息、田间耕作方式和作物生长期间的病虫害等有关系。关于DON的风险预警，目前国际上也有很多专家学者进行了相关研究，面向不同的服务对象，包括国家、区域以及农户和粮食经纪人，建立了一些DON预警模型。本文介绍了DON预警的相关研究进展及模型。

表1 谷物中DON限量

1 DON产生因素研究现状

DON主要由禾谷镰刀菌、串珠镰刀菌、雪腐镰刀菌等镰刀菌产生。镰刀菌是田间和储藏作物菌群的正常组成部分，而DON的产生取决于镰刀菌类型、作物品种和性质、作物生长期间管理措施以及收获、处理和储存条件。产生DON的量取决于物理因素(水活度、水分、相对空气湿度、温度和谷物机械损伤等)、化学因素(二氧化碳、氧气、基质成分、杀虫剂和杀菌剂等)和生物因素(植物品种、抗性、昆虫等) 等[15]。这些因素反映到与粮食中DON产生的指标上主要为天气情况、作物属性与耕种条件、病虫害情况和产毒真菌等。

1.1 气象因素

在众多影响小麦DON产生的因素中，以气象数据统计结果开展的分析研究最多，其中影响显著的气象因素包括温度、空气相对湿度和降雨量[16,17]。作物在种植过程中，随着温度、相对湿度和降雨量增加，小麦中DON的含量均有所增加[9,18,19,20]。

气象因素中对DON产生影响最大的为湿度[21]。Mvller等[22]研究表明，湿润地区(年平均降水量>550 mm)DON污染显著高于干燥地区(增加3.7倍)。同时，Magan等[23]证明在水分活度(Aw)为0.950～0.995，温度为25 ℃时，容易导致小麦DON产生；小麦Aw在0.9以上，尽管温度低至15 ℃，产毒菌也可以正常生长，间接证明了湿度对DON产生具有很大的影响。此外，作物Aw不同，DON及其衍生物产生的比例也不同。Medina等[24]研究表明DON及其衍生物3-乙酰基脱氧雪腐镰刀菌烯醇(3-acetyl-deoxynivalenol，3-AC-DON) 和15-乙酰基脱氧雪腐镰刀菌烯醇(15-acetyl-deoxynivalenol，15-AC-DON)在Aw为0.93、0.95和0.98时3种毒素比例差别很大。

降雨量与DON的积累相关，而且根据Edwards等[25]的研究，小麦生长过程中降雨不仅会导致DON污染发生，降雨规律还会影响小麦不同组分中DON的分布情况，反复湿润和干燥会增加小麦中DON含量，而且小麦中DON含量会趋向平衡；大量降雨会减少DON产生，但减少部分只是小麦表面的DON，小麦面粉中的DON含量反而偏高。

此外，温度、湿度和降雨这些气象因素除了会单独与DON产生显著相关，其相互作用也会促使DON积累。研究表明，温度与湿度的乘积项、降雨与平均温度的交互项都与DON产生有很强的相关性[26]，说明DON产生不是单一条件作用的结果，而是在共同满足多种条件的情况下产生的。

开花期和收获期的天气是影响DON产生的主要因素[27]，在研究气象对DON产生影响的过程中，一般是以作物生长期为时间节点，但也有研究以自然月为时间节点进行气象数据的统计，根据Landschoot等[28]的研究结果表明，二月总降雨和六月露点等因素会增加DON的风险。

1.2 作物属性和耕种方式

近些年，关于DON预警的研究不仅限于气象条件，关于作物本身特性和耕种方式等是否会导致DON积累的相关研究也越来越多。

作物信息主要是指作物品种和抗性。有研究发现在同样条件下白小麦DON积累是红小麦的2倍，小麦品种的影响比率可以达到27%[16]，有机种子相对非有机种子种植收获的作物中DON含量更低[29]。Heraud等[30]和Paul 等[31,32]的研究也表明小麦品种对DON积累有显著影响，分析可能由于品种抗性不同导致的[33]。Eiblmeier等[34]、Van der Fels-Klerx等[26]和Froment等[27]进一步研究表明，通过对作物抗性进行区分，抗性等级越高DON污染水平会显著降低。

耕作方式与DON产生的相关因素主要包括翻耕、轮作、收获时间、杀真菌剂的使用、采收方式、施肥情况、灌溉、土壤质地和作物密度等。研究发现播种前对土壤进行翻耕会增加DON发生风险，且翻耕深度越深，风险越大[34-36]。轮作即上季节种植作物，不同的轮作作物会显著影响该季作物中DON污染情况[28,37，38]，其中上季节轮作作物为玉米时，DON发生风险最高[39]，这可能是由于玉米在田间的残留物更有利于镰刀菌生长及产毒[22]。收获时间的影响在于作物收获日期的差别，Eiblmeier等[34]研究表明玉米从开花到收获中间天数大于60 d会显著增加DON污染风险。杀真菌剂的使用对DON积累的影响是通过影响作物中真菌生长来影响毒素产生的[39,40]。Schaafsna等[37]研究发现机械采收DON感染的风险低于人工采收。Heier等[41]研究表明氮肥的使用会导致DON污染更加严重。Soderstrom等[42]研究表明田间土壤DON含量的变化规律与土壤质地、排水条件、作物密度和耕作方式有关。

然而不同国家和地区在耕作方式中的研究结果不尽相同，Karlsson等[36]对作物多样性、肥料类型、杀菌剂用量和土壤耕作方式等进行了研究，其中土壤耕作是唯一的显著变量。这说明在不同地域一些其他因素影响下，不同耕作方式的响应会存在差别，不仅体现在是否与DON污染程度显著相关，也体现在不同耕作方式权重也各不相同。

1.3 病虫害

此外，小麦的病虫害对DON产生方面也有一些研究，研究以赤霉病为主，也包含了部分昆虫的影响，但仍然没有明确的定论。Bondalapati等[43]研究发现目测的赤霉病粒与DON有显著关系，但显著性与小麦品种、地理位置等有一定关系，对于不同小麦品种和不同地区，显著性也存在差异。Miedaner等[44]的研究同样表明，赤霉病(Fusariumhead blight，FHB，染病植株的比率)的发生和镰刀菌受损颗粒(Fusariumdamaged kernels FDK，染病颗粒的比率)与DON含量显著相关，且FDK与DON相关性更好。除赤霉病和镰刀菌污染颗粒的研究外，根据Nesic等[45]的分析，作物种植期间昆虫的发生会破坏小麦籽粒，也会增加小麦DON风险，也有研究明确表示，玉米螟会对玉米中DON产生有明显的促进作用[27]。

1.4 其他因素

一些学者在研究外在客观因素的基础上，对引起呕吐毒素产生的原因进行了深入探讨，主要以DON产毒真菌为主。Heraud等[30]研究小麦中DON污染情况与土壤中镰刀菌含量的关系，发现小麦生长期土壤表层镰刀菌含量对小麦中DON 的产生有很大影响。Schmidt-Heydt等[46]研究了在不同环境下菌株中TRI基因的表达，研究发现环境对DON产生的影响与对TRI基因表达的影响一致，结果表明TRI基因表达与DON产生有着直接关系。

2 DON预警模型

当前，很多专家学者通过历史数据和实验数据建立DON预警模型，用于预测即将收获或已收获的当季作物DON发生情况。国际上现有的DON预警模型主要分为三类，分别为回归模型、机理模型和神经网络模型。回归模型主要是对统计关系进行定量描述的一种数学模型，如多元线性回归、有序回归等，也可以进行定性预测。建立机理模型则需要模拟植物和真菌发育阶段的基本机制及其相互作用。这类模型需要对每一个生物过程都有充分了解，并需要在广泛的条件下进行广泛实验研究，以收集所需知识和输入数据。神经网络是由大量的、简单的处理单元(称为神经元)广泛地互相连接而形成复杂网络系统，反映了人脑功能的许多基本特征，是一个高度复杂的非线性动力学习系统，与回归模型相比，神经网络模型更容易分析变量之间的依赖关系，管理非线性交互，并组合不同种类信息，如检测数据、专家知识和最终用户反馈。目前，在DON风险预测中，基于这3种建模方法都得到了相对较为成熟的模型，简单归纳和对比见表2。

表2 部分现有DON风险预警模型对比列表

2.1 回归模型

回归模型是建立预警模型的经典方法，也是目前应用最为广泛的模型。在风险预警回归模型中一般常用的有2种，分别为多元线性回归模型和有序回归模型。多元线性回归模型是将DON作为连续变量，进行定量预测，而有序回归模型按DON含量分为N类，进行定性预测。

Van der Fels-Klerx等[27]建立的模型中包括气象因素(空气温度、湿度和降雨量)、田间耕作信息(杀真菌剂的使用和小麦抗性信息)以及分区、日期等输入项，模型对DON进行定量预测，真实值与预测值相关系数为0.78。该模型基于2001—2008年连续8年共425组数据建立，考虑了各方面因素，预测准确率高。2014年，Van der Fels-Klerx等[47]用不同的样本数据对模型进行了评估，预测准确率达到了94%，但是建模使用的数据中只有3个样本高于限量，导致高含量样品预测准确率比较差。该模型2018年被纳入到欧盟真菌毒素防控体系MyToolBox中[48]。虽然该模型能准确预测94%的样品，但是其对输入因子的要求比较高，只适用于模型建立地区，其他地区无法使用该模型进行预测，难以推广(表2)，这也是目前预警模型普遍存在的问题。

Hooker等[49]基于5年(1996—2000年)399个样品的数据，利用抽穗期前后不同时间段的气象数据，按照不同降雨量分别建立了3个模型。建模采用的气象数据分别为日最低温小于10 ℃的天数(TMIN)、日最高温大于32 ℃的天数(TMAX)、降雨量大于3 mm的天数(RAINB、RAINC)、降雨量大于5 mm的天数(RAINA)等，预测准确率达到73%，为定性预测模型。该模型根据不同需求和降雨情况对DON的发生进行了预测，且对模型的使用没有太多限制，增强了模型适用性，但该模型没有应用其他地区数据进行验证，无法得知在其他地区的预测准确率，且该模型没有考虑耕种信息，如果该模型加入杀真菌剂的使用、抗性等信息后，可能会提高预测准确性。

Landschoot等[19]在比利时不同地区建立了7～12个实验田，通过接种DON的产毒菌，使小麦感染并产生DON。在2002—2011年10年数据积累的基础上，建立了多元线性回归、岭回归、回归树等定量模型和有序回归模型(为分类预警模型)，定量模型中相关系数R最高为0.54，定性模型的预测准确率为76%～95%。Landschoot等[19]建立的模型中有线性回归模型，其他模型为有序回归模型。根据Landschoot等[19]对两个模型对比，建立有序回归模型对DON值进行评估可以获得更准确、更容易解释的预测结果。以自建的实验田得到的数据进行分析建立模型，由于自建实验田在地区选择和管理方式上进行了人为控制，使建模数据更加干净，对建模因素的筛选有利，但由于某些管理方式的一致性，即样品在某些因素上无差异，导致一些可能对DON产生有影响的因素会被忽略。

Hjelkrem等[18]建立了燕麦DON风险预警回归模型。该模型将燕麦从种植到收获，进行了全生长期时间段划分。该模型以76组数据为基础，考察了8种气象因素与DON产生的关系，为定性模型，准确率达到79%。但该模型建立的基础数据只有76组，数据量严重不足，模型缺乏严谨性和代表性。

2.2 机理模型

机理模型是以实验室实验为基础，探讨在作物生长过程中对DON产生影响的因素，并建立关系式，得到DON风险预警模型。

Rossi等[20]研究了温度、湿度、杀真菌剂、作物种类、耕作情况等系列因素在小麦生长过程中对DON产生的影响，如图1。根据实验中各因素对粮食中DON积累风险的影响，确定各因素相对权重，并形成一个线性方程。该模型为定性预测模型，最终计算给定样品落在不同区间的概率，并对是否喷洒杀真菌剂提出建议，该模型预测准确率为70%以上。

该模型对每个影响因素进行了详细分析和探讨，将各因素与毒素产生的内在关系进行了解释和描述，但该模型在各影响因素权重确定上介入了更多人为认知和干预，缺乏客观性，如将该种建模方法与统计回归方法进行结合，将有利于模型的改进。

图1 机理模型实验设计图解

2.3 神经网络模型

神经网络最早由心理学家和神经生物学家提出，由于神经网络在解决复杂问题时能够提供一种相对简单的方法，近年来越来越受到人们关注。在神经网络模型中，各种各样的模型从不同角度对生物神经系统进行不同层次的描述和模拟。一个经典的神经网络包含3个层次，分别为输入层、中间层(也叫隐藏层，可包含多个层)和输出层，如图2。神经网络最大的优点是不需要同时具有所有输入参数就可以进行预测，即便有一个输入变量，都可以进行预测，但预测准确率会受到一定影响。

Klem等[50]利用捷克2002—2005年间的数据，以气象数据为连续输入变量，以作物品种和前茬作物为分类输入变量，训练神经网络进行DON含量预测。该模型的优点是综合了前茬作物、气候条件对接种的影响以及气候条件对孢子释放和感染过程的影响，其结果与回归模型和机理模型得到的结果一致。该模型利用神经网络建立了气象和耕种信息与DON的关系，虽然得到的结果与他人的研究一致，但神经网络仍然是一个黑匣子，存在一定的不确定性。因此可以利用这种模型对一些未知变量进行探索，考察其价值，再进行统计分析和实验，将3种模型进行结合。

图2 神经网络模型的结构

2.4 模型的对比

通过观察和对比各种预警模型，发现不同模型均有其优点和缺点。刘程等[51]以荷兰2001—2013年间625组数据为基础，分别建立了回归模型、机理模型和贝叶斯网络模型(BN模型)3种模型，并使用2015—2016年87组数据分别对3种模型进行了评价。这3种模型均为定性模型，回归模型、BN模型和机理模型的预测准确率分别为92.7%、90.2%和84.1%，其中，除了机理模型预测出了2个DON高含量样品外，其他2个模型均未预测到这2个高含量样品。通过对比，3种模型的特点为：回归模型是经典预警模型，其预测准确率最高，但其对数据要求也最高，只要缺少一种输入变量，则无法进行预测，如果模型需要应用于其他地区则需要重新进行验证和调整。BN模型是开放的，在用神经网络进行计算的同时可以介入专家认知，对其进行适当干预，该模型对数据的要求比较低，即使只有一个输入项，也能对结果进行预测[51]。机理模型的优势在于其可以对DON高含量样品进行准确预测。

回归模型和贝叶斯网络模型都属于经验模型，在建模地区可以进行较准确的预测，但在其他地区适用性较差。而机理模型模拟了真菌感染、生长和霉菌毒素产生的生物学过程，在其他地区进行预测更容易实现，但是其输入变量有限，且需要考虑真菌种类等因素。

所有建模方法都有其优缺点，因此将不同模型类型组合在一起进行DON风险预警将是一种解决方案，这样可以发挥各模型的优势，提供更及时、更准确的建议，以控制DON污染，提高谷物、饲料和食品的安全性。

3 总结

粮食中DON风险预警已有许多研究，在气象因素方面相对比较成熟，主要影响DON产生的因素为空气温度、空气湿度和降雨量，在田间等其他影响因素方面近年来也有研究也比较多，但由于各国农业情况的差异，导致影响因素也有差异，为DON风险预警和风险预警模型的建立提供了参考。通过建立模型对DON污染情况进行预测，在模型建立地区，预测准确率基本高于70%，能够预测大部分粮食产后DON污染情况，使粮食安全提前预警并采取合理的防控措施成为可能。

虽然当前全球在DON预警方面的研究有一些成效，但是目前多数DON预警模型都缺乏适用性。由于模型输入变量的局限性，只有个别国家验证了现有真菌毒素预测模型。且在除模型构建地区以外区域，预测模型的准确率不高[17]，导致不能对其进行推广应用。这可能是由于不同地区地形、气候、粮食品种、农业情况和微生物的差异造成的。因此我国急需对国内粮食典型种植区域DON发生的影响因素进行研究，建立适用于我国的DON预警模型，对我国粮食主产区DON发生进行提前预警，从源头保障粮食安全。