热分析技术DSC与TGA在食品真伪鉴别中的新进展

原文：Recent applications of DSC and TGA in food quality control and authenticity verification: Current progress and future directions.
期刊：Food chemistry: X（影响因子 9.2） |  PubMed | PMC 全文（含 PDF）

关键图表

在全球食品供应链日益复杂、消费者对透明度要求不断提升的今天，如何快速、可靠且低成本地判断食品“是不是真的”“品质过不过关”，已经成为产业界和监管机构共同面对的难题。近期发表在《Food Chemistry: X》（影响因子 9.2）上的一篇综述论文《Recent applications of DSC and TGA in food quality control and authenticity verification: Current progress and future directions》，系统梳理了热分析技术——尤其是差示扫描量热法（DSC）和热重分析（TGA）——在食品质量控制与真实性验证中的最新应用、优势瓶颈与未来方向。

对于习惯从分子标记、色谱质谱角度理解食品检测的科研读者而言，这篇论文提供了一个重要的补充视角：不必总是依赖昂贵、耗时的“金标准”方法，也可以从“热量变化”和“质量随温度的变化”中读出食品的身份密码。

研究背景：食品欺诈倒逼检测技术升级

食品为人类提供生长、代谢和健康维持所必需的营养素，其质量、安全与营养价值直接关系到公共健康。然而，随着全球供应链变长、掺假手段翻新，食品欺诈——包括掺伪、替代和虚标——不仅威胁消费者健康，也破坏市场信任并造成巨大经济损失。

论文指出，特别容易被“动手脚”的食品包括：核桃油、橄榄油等食用油与脂肪，藏红花等香料，蜂蜜，酸奶等乳制品，肉类，茶叶以及咖啡。传统上，气相色谱（GC）、液相色谱（HPLC）及其与质谱联用的 GC–MS、LC–MS 是食品鉴伪的“金标准”，灵敏度高、分离能力强，能识别细微成分差异和地理/植物来源标志物。但它们通常需要复杂样品前处理、昂贵仪器和较长分析时间。

光谱类方法如拉曼、近红外（NIR）、荧光、傅里叶变换红外（FTIR）和电化学阻抗谱，则因快速、前处理少而受到重视；结合化学计量学与人工智能后，也能有效区分真伪。但在复杂基质中，光谱重叠、荧光干扰等问题仍限制其单独使用。正是在这一背景下，热分析（TA）作为一种环境可持续、样品用量少、几乎无需溶剂的替代/补充平台，进入了食品鉴伪研究的核心视野。

核心发现：DSC 与 TGA 如何成为“热指纹”工具

热分析是一组在程序控温下监测材料物理化学变化的技术。食品科学中最常用的是 TGA、DSC、差热分析（DTA）和微商热重法（DTG）。其中，DSC 和 TGA 因对成分与结构变化高度敏感，成为质量评估和真伪鉴别的主力。

DSC 的原理是在控温条件下，测量样品相对于参比物的热流变化。其基本装置包含样品盘、参比盘、控温加热腔、热流传感器和平衡系统。

通过 DSC，研究者可以观察熔融、结晶、多晶型转变、玻璃化转变、蛋白质变性和氧化过程，从而推断食品组成、结构和稳定性。例如，在脂质体系中，DSC 的热焓变化能刻画脂肪和油的熔融与结晶行为，反映分子排列、多晶型转化及组分间相互作用。

TGA 则连续记录样品在控温或恒温下质量随温度/时间的变化，提供水分含量、热稳定性、分解机制和整体组成信息。其导数形式 DTG 能分辨不同降解阶段，帮助解析复杂热分解模式。由于热降解行为与化学成分紧密相关，TGA/DTG 已被广泛用于食用油、可可脂、乳制品、蜂蜜、肉类等基质的品质评价与掺假检测。

论文强调：不同成分会产生不同的“热指纹”。掺假、替代或原料变异会改变熔融温度、热焓值、分解曲线和质量损失模式。因此，DSC 与 TGA 联用，再结合化学计量学和机器学习，就能对产品分类、产地验证和欺诈识别形成强大能力——即便掺假水平很低，也能被捕捉到。

文中还以具体案例说明了 DSC 在加工与配方研究中的价值。例如，有研究用 DSC 评估开心果绿壳酚类提取物在麦芽糊精微胶囊化前后的稳定性：游离提取物在约 154–162°C 有特征吸热转变，而微胶囊化后这些峰消失，转而在约 196°C 和 202°C 出现新热事件，说明酚类提取物与麦芽糊精基质发生了相互作用。

类似地，空纳米脂质体、游离藻类提取物及载药纳米脂质体的 DSC 曲线也被用于比较体系热行为差异。

方法亮点：从“单独使用”走向“DSC+TGA+AI”的智能平台

这篇综述并不是报告一项新实验，而是对 2020—2026 年间 Web of Science、Scopus、ScienceDirect 和 Google Scholar 中相关文献的系统梳理。作者重点检索了 thermal analysis、DSC、TGA、food authentication、adulteration、chemometrics 等关键词，并特别关注将热技术与化学计量学、机器学习结合的研究。

论文给出了一张决策矩阵，对比了 GC–MS、LC–MS、FTIR、拉曼、NIR、DSC、TGA 以及“DSC+TGA+AI”未来平台在样品前处理、分析时间、成本、灵敏度、优势与局限上的差异。结论很清晰：色谱仍是分子鉴定的 indispensable 手段；光谱提供快速无损信息；而热分析独特地直接表征与食品组成、结构相关的物理化学转变。

当 DSC/TGA 与化学计量学、人工智能融合后，它们不再只是传统热分析工具，而升级为“热指纹平台”：

• 几乎无需样品前处理：少量样品、短分析时间、无溶剂，符合绿色分析化学原则；
• 多模态数据融合：DSC 看热流转变，TGA 看质量损失，二者互补；
• AI 增强检出限：即使低水平掺假引起的微小热参数偏移，也能通过模型识别；
• 工业适配性强：DSC 还可用于优化加工工艺、节能降本。

不过作者也指出一个被当前文献忽视的方法学问题：不同研究中的“热稳定性提升”往往不可直接比较，因为变化幅度取决于被评估成分的浓度和理化性质。低水平油混合或轻微蛋白修饰可能只造成落在批次正常波动范围内的微小偏移。因此，领域内亟需为每种食品基质系统确定“最小可检测热偏移”——类似于分析化学中的检出限（LOD）——否则跨研究的稳定性结论大多只是定性而非定量。

应用意义：为食品质控提供可持续的新路径

从科研和产业角度看，这篇综述的意义在于重新定位了 DSC 与 TGA 的角色：它们不是要取代色谱和光谱，而是作为互补平台，用独特的热指纹信息支撑常规质检与鉴伪。

在具体食品门类中，热分析已经展现出广泛适用性：

• 食用油与脂肪：可可脂、籽油、橄榄油、核桃油的真伪与氧化状态；
• 乳制品：酸奶、牛奶等的热稳定性与掺假识别；
• 蜂蜜：成分变化与掺糖检测；
• 肉类：蛋白变性、种类鉴别与品质评估；
• 其他：茶、咖啡、香料以及微胶囊化生物活性成分的稳定性评价。

例如，TGA 曾被用于评估封装百里香精油的生物聚合物粉末：与游离油相比，封装油热稳定性增强，说明 TGA 不仅能测活性物本身，还能评价封装系统对加工过程的保护效果。

当然，要走向大规模应用，仍有三道门槛必须跨越：一是建立标准化实验方案（样品量、水分、粒径、升温速率、吹扫气体等都会影响结果）；二是构建权威的热指纹数据库和真实样品参考数据集；三是获得监管层面的认可。只有解决这些问题，DSC 与 TGA 才能真正从实验室研究走向生产线上的高通量智能鉴伪平台。

总体而言，这篇发表于《Food Chemistry: X》的综述表明：在色谱与光谱之外，热分析正以“低成本、少溶剂、快检测、可融合 AI”的姿态，成为食品质量控制与真实性验证中不可忽视的新力量。未来，随着标准协议、共享数据库和机器学习模型的完善，“热指纹+人工智能”有望让食品造假更难藏身。

本文图片转载自 PMC 开放获取全文，仅供学习参考，请以原文为准。