拉曼光譜 × 食品分析 — 從分子指紋到 SERS

為什麼是拉曼

水不干擾 + 透包裝掃描

拉曼光譜（Raman Spectroscopy）量測分子的非彈性散射，得到化學鍵振動形成的「分子指紋」。和紅外光譜（FTIR）相比，它有兩個對食品分析特別關鍵的優勢：水幾乎不干擾、雷射能穿透透明包裝——讓食品在不開封、不前處理的情況下直接量測。

💧

水不干擾

水的 O–H 振動極化率變化極小，散射截面比多數有機官能基低 3~5 個數量級，水溶液可直接分析。

📦

透包裝測量

785／1064 nm 雷射可穿透 PET、玻璃、PE，散射光同一物鏡採集，不需開封。

⚠️

但是…

複雜食品（橄欖油、蜂蜜、香料）含高螢光有機物，可能把 Raman 訊號完全蓋過——這是拉曼的主要罩門。

特性	FTIR	拉曼 Raman
水分子干擾	⚠ 強烈吸收（OH 3400 cm⁻¹ 蓋訊號）	✓ 幾乎不干擾
透包裝測量	✗ 紅外線被多數材料吸收	✓ 可穿透塑膠／玻璃
樣品前處理	通常需要（乾燥、壓片）	✓ 液體／固體／粉末直接測
螢光干擾	✓ 不受影響	⚠ 有機物螢光可蓋過訊號
靈敏度	中等	中等（SERS 後 10⁷~10¹⁴×↑）

來源：PMC10707828（2023 peer-reviewed review）。

本課路線：先看 散射原理 如何生出指紋，再看 SERS 如何把微弱訊號放大百億倍，接著盤點 四大應用域 與真實數字，最後親手用 Orange 跑一遍食用油鑑別。

原理 · 非彈性散射

每個分子的唯一指紋從哪來

入射光子打到分子，絕大多數彈性散射（Rayleigh，波長不變）；極少數（約 1/10⁷）把能量交給分子振動而發生非彈性散射。散射光能量減少的部分稱為 Stokes Raman，其能量差正好等於某個化學鍵的振動能量——於是一張光譜就是一組分子結構指紋。

左：光子激發到「虛激發態」再落下。落回 v=1 即 Stokes（能量損失、紅移）。右：每個峰位對應一種振動模式，整組峰就是分子的唯一指紋。

$\Delta\tilde{\nu}\ (\text{cm}^{-1}) = \dfrac{1}{\lambda_{\text{laser}}} - \dfrac{1}{\lambda_{\text{scatter}}}$ — Raman 偏移只反映分子結構，與雷射波長無關

散射類型	能量變化	相對強度
Rayleigh（彈性）	無（同波長）	~ 1
Stokes Raman	損失（紅移）	~ 10⁻⁷
Anti-Stokes Raman	獲得（藍移）	≪ 10⁻⁷

核心觀念： Stokes 訊號雖只有入射光的千萬分之一，但峰的位置由化學鍵決定、不受雷射波長影響——這就是拉曼能當「分子指紋」的根本原因。

SERS · 表面增強拉曼

熱點把訊號放大 10⁷ ~ 10¹⁴ 倍

天然 Raman 訊號太弱，難以偵測微量成分。把分析物吸附到奈米金屬顆粒之間的「熱點」(hot spot) 間隙，局部電磁場劇烈集中，可把訊號放大 7 到 14 個數量級——這就是表面增強拉曼（Surface-Enhanced Raman Spectroscopy）。

分析物落在兩顆奈米金屬之間的間隙時，電場集中形成熱點，把微弱 Raman 訊號放大百億倍。電磁增強（EM）是主要機制，化學增強（電荷轉移）為次要。

$\mathrm{EF} = \dfrac{I_{\text{SERS}}/N_{\text{surf}}}{I_{\text{RS}}/N_{\text{bulk}}}$ — 增強因子：表面單分子訊號相對於體相分子的倍數

常用奈米基板

AgNP / 奈米星：增強最強，但易氧化
AuNP / 奈米棒：化學穩定、生物相容
Au-Ag 雙金屬：結合兩者，近年主流

7~27%

RSD 重現性警示

銀奈米星基板 spot-to-spot 相對標準偏差高達 7–27%（20 測點），熱點分布不均是核心瓶頸。

機制拆解

電磁增強 EF ≈ 10¹⁰~10¹¹（主要）
化學增強 EF ≈ 10¹~10²（次要）
兩者相乘 → 總 EF 10⁷~10¹⁴

來源：PMC11989198（2025）· S0924224425001311（Trends Food Sci Technol, 2025）· PMC10820608（MDPI Sensors, 2024）。

應用 · 2024 系統性綜述

四大食品安全應用域

MDPI Nanomaterials 的系統性綜述（PMC11547707, 2024）把奈米材料 SERS 在食品安全的應用整理成四個明確分類。每個域都有亮眼的偵測下限，但也都附帶一個共同的提醒：多數數字是在純溶液中測得的。

🧪

① 生化汙染物

農藥 imidacloprid LOD 9.4×10⁻⁸ mg/mL
黴菌毒素 DON 0.053 fg/mL
重金屬離子（汞、鉛）

⚠ 多數 LOD 在緩衝液測得，食品基質會顯著降低表現。

🦠

② 食源性病原菌

Raman + LDA 鑑別 E. coli、S. aureus
LDA 驗證準確率 95.65%
PCA 可分群多種菌

⚠ 僅純培養驗證；食品基質中尚未確立。

🫒

③ 食品鑑別／品管

橄欖油摻假 R²=0.984（vs 大豆油）
酪梨油 vs 芥花油 R²=0.910
蜂蜜來源、酒類品管

光譜差異越大 → 模型越準。

📦

④ 包材安全

透包裝偵測遷移汙染物
不開封分析接觸面
冷鏈中包材完整性

最能發揮「透包裝掃描」優勢的應用。

應用心法： SERS 給的是篩選用的指紋訊號，搭配 PCA／LDA／PLS 等化學計量學才能把指紋變成判讀。產地溯源、品種鑑別、摻偽偵測——拉曼給指紋，模型給答案。

數字說話

農藥 5000× EU 標準；橄欖油摻假 R²=0.984

兩個最具代表性的定量成果：SERS 對單一農藥的偵測下限比歐盟最高殘留限量靈敏約五千倍；而拉曼配上脊迴歸（Ridge Regression），對食用油摻假的解釋力可達 R²=0.984。

🌿 農藥殘留（SERS 銀奈米星）

EU MRL	SERS LOD
5×10⁻⁴ mg/mL	9.4×10⁻⁸ mg/mL

~5,000×

比 EU MRL 靈敏（imidacloprid）

⚠ LOD 用 SNR=2:1（非 IUPAC 3:1）且在純溶液測得。來源：PMC10820608（2024）。

🫒 食用油摻假定量（Raman + Ridge）

橄欖油 vs 大豆油 R²=0.984；酪梨油 vs 芥花油 R²=0.910。光譜差異越大 → 模型越準。來源：PMC10304463（Food Chemistry, 2022）。

可攜式拉曼

從實驗室走進現場

手持式拉曼儀（< 500 g、電池供電、免光學平台）搭配可彎曲的軟性 SERS 基板，讓檢測能在超市貨架、海關查驗、農場採樣與生產線上即採即測。

特性	桌上型	手持式
靈敏度	高	中（進步中）
重現性	✓ 穩定	⚠ 易受環境干擾
部署成本	高（需實驗室環境）	✓ 低
使用門檻	需專業操作員	✓ 簡化介面
監管接受度	✓ 成熟	⚠ 尚無統一標準

📄 軟性 SERS 基板

紙基：浸泡／滴加 → 農藥、抗生素
黏膠薄膜：擦拭採樣 → 表面農藥
複合薄膜：貼覆食品表面 → 水果農藥

大幅減少前處理時間，可現場即測。

⚡ 發展趨勢 2024–2025

AI + Raman：深度學習提升複雜基質辨識
晶片整合（LOC）：感測器嵌入包裝
多模態：Raman + NIR + 機器視覺三合一

諾如病毒 LOD 0.76 fg/mL（PBS 條件）。來源：PMC11989198（2025）。

誠實面對現況

三大瓶頸：實驗室數字 ≠ 現場規格

看到漂亮的偵測下限，先別急著相信。SERS／可攜式拉曼目前仍有三個結構性限制，決定了它的正確定位是「快篩工具」，而非取代 HPLC／ELISA 的確認方法。

🧫

① 食品基質干擾

漂亮 LOD 多在純緩衝液或標準品提取液測得
真實食品含螢光物質、競爭吸附分子
基質效應使實際靈敏度降 1–3 個數量級

🎲

② 重現性瓶頸

熱點分布本質不均勻
spot-to-spot RSD 高達 27%（HPLC/ELISA <5%）
現階段適合定性篩選，非精確定量

⚖️

③ 監管框架缺口

SERS 尚無法作官方執法依據
EU／FDA／Codex 均無驗收標準
須搭配 HPLC／ELISA 做確認

帶走這一句話：拉曼光譜（SERS）是食品分析的重要未來方向——但看到漂亮的偵測下限，先問三件事：這是在食品基質裡測的嗎？重現性如何？監管認可了嗎？

不寫程式的版本 · 動手實作

用 Orange Data Mining 親手跑食用油鑑別

課堂可用 Orange 的拖拉式 widget，零程式碼重現整條拉曼分析流程。用真實開源資料（215 支食用油、15 種油、1044 波段），做真偽鑑別與氧化品質預測。

🎬 教學影片 · 中文旁白約 3.4 分 · 導覽整個 Orange 工作流

拉曼專用的預處理順序

拉曼最關鍵的一步是 去基線（Baseline Correction）——拉曼光譜常被傾斜的螢光背景駝峰淹沒，這是近紅外光譜通常不需要的步驟。

File (Raman2.csv)
 ├─ Spectra ……………………… 看 RAW：拉曼光譜有傾斜的「螢光背景」駝峰
 └─ Preprocess Spectra（拉曼專用順序）
      1. Spike Removal ………………… 去宇宙射線尖峰
      2. Baseline Correction → Rubber band … 去螢光背景  ★拉曼最關鍵
      3. Cut → 400–1800 cm⁻¹ ………… 只留指紋區
      4. Normalize → SNV ……………… 消除強度／散射差異
        ├─ PCA → Scatter Plot ……… 真偽／油種分群
        ├─ Test & Score ← SVM / RF → Confusion Matrix … 分類
        └─ PLS ………………………………… 迴歸（過氧化價＝氧化／新鮮度）

真實結果（可重現）

去基線前後光譜 — RAW 光譜的螢光背景駝峰 + 橡皮筋基線；**去基線後**指紋峰乾淨浮現。

PCA 散布圖 — PCA：PC1 解釋 **87.4%** 變異，橄欖油與其他油自然分群。

真偽鑑別混淆矩陣 — 橄欖油真偽鑑別（SVM）：測試集 **98.5%**、5-fold CV **86.5%**。

過氧化價 PLS 迴歸 — PLS 預測過氧化價：跨 15 種油 R²=0.585；**單一 EVOO 內 R²=0.936**。

分析	結果
資料	215 樣本、15 種油、1044 波段（指紋區 708 波段）
PCA	PC1 = 87.4%，PC1+PC2 = 93.8%
真偽鑑別（橄欖油 vs 其他，SVM）	測試集 98.5%、5-fold CV 86.5%（RF 90.8%）
氧化迴歸（PLS 過氧化價）	全部油種 R²=0.585；單一 EVOO 內 R²=0.936

教學重點 · 混淆變因：分類（真偽）容易；定量迴歸的陷阱在「混淆變因」。跨 15 種油預測過氧化價只有 R²≈0.59，因為光譜變異被「油種」主導；但先控制油種、只看初榨橄欖油，R² 跳到 0.94——拉曼確實能測氧化，但你得先控制混淆因子。

⬇ 下載 .ows 工作流程 🐍 Python 對照腳本 📖 圖解步驟指南

▶ 如何在本機重跑

pip install orange3 orange-spectroscopy   # Orange 拖拉版（Python >= 3.10）
python -m Orange.canvas                   # 開啟 Orange，File > Open 載入 .ows

# 或用可重現的 Python 對照腳本
pip install spectral scikit-learn scipy numpy matplotlib pandas
python run_raman_analysis.py              # 讀 data/Raman2.csv，輸出 figures/ 與 results.json

資料來源：Edible-oil Raman dataset — Mendeley Data ctgg7k4m5g（v2, CC BY 4.0）。

引用文獻

事實來源（deep research 驗證）

本教材的核心數字皆經 deep research workflow 驗證：107 agents、95 claims 抽取、25 驗證，最終 9 confirmed、14 refuted（已剔除）。被 adversarial verification 否決的聲稱未納入。

核心綜述

PMC10707828（2023）Raman in food safety and quality.
PMC11989198（2025）SERS advances；EF 10⁷~10¹⁴.
PMC11547707（MDPI Nanomaterials, 2024）四大應用域分類.

定量數據來源

PMC10304463（Food Chemistry, 2022）橄欖油摻假 R²=0.984.
PMC10820608（MDPI Sensors, 2024）銀奈米星；imidacloprid LOD；RSD 7–27%.
PMC11593597（2024）Raman + LDA 95.65%.

SERS 機制

S0924224425001311（Trends Food Sci Technol, 2025）貴金屬奈米基板；EM 增強主導.
PMC11765993（2024）抗光漂白與分子指紋光譜.

實作資料集

Mendeley ctgg7k4m5g（v2, CC BY 4.0）食用油拉曼／紅外資料.
Zhao, Zhan, Xu et al., University of Nebraska–Lincoln.

帶走兩句話：拉曼把分子振動寫成一張可讀的指紋；SERS 把這張指紋放大百億倍，讓微量汙染現形。但別忘了問：這是在真實食品裡測的嗎？