この研究は、ケニアの研究機関の研究論文です。

掲載誌：Cureus Journal of Agriculture and Food Science

ライセンス: CC BY　対象: 公開論文　確認元: OpenAlex

何が問題で、何を目指した研究か

赤かび病（Fusarium Head Blight）は小麦の重要な病害で、収量を減らすだけでなく、デオキシニバレノール（DON）と呼ばれるカビ毒（マイコトキシン）による汚染を引き起こします。論文の著者らによれば、DONは小麦で最も広く見られる汚染物質のひとつで、急性の胃腸障害や免疫機能の低下、家畜の生産性低下などと関連づけられてきました。そのため各国の規制当局は許容上限を定めており、米国食品医薬品局は人が食べる小麦製品について1 mg/kg（1 ppm）という勧告値を示しているとされます。一方でケニアの主要な小麦生産地域では、推奨される安全基準を超える汚染が報告されてきたと論文は述べています。

検出の難しさは、この毒が粒の内部にたまることにあります。著者らは、感染後にDONが表面から約1〜3 mmの深さに局在しうるため、目視ではDONそのものを見つけられないと説明しています（目視は汚染の可能性を示す感染の指標としては使えます）。従来の手法にはそれぞれ弱点があり、目視等級づけは速くて安価だが実際の毒素濃度とのつながりが弱く、ELISAのような免疫測定は試料を壊す抽出が必要で抗体の交差反応の影響を受けうること、ガスクロマトグラフィー質量分析（GC-MS）は感度・特異性に優れる一方で手間と高価な装置、中央検査室への依存を伴うことが挙げられています。近赤外分光やハイパースペクトル画像は非破壊で調べられますが、小麦粒の複雑な成分の中からDONだけを特定するだけの分子レベルの識別力に欠けるとされます。

こうした背景のもとで著者らは、現場でも使える携帯型のラマン分光装置と機械学習を組み合わせ、DONに汚染された小麦粒を見分ける迅速な方法を作ることを目的としました。ラマン分光は、光を当てたときの散乱から化学結合の振動の「指紋」を読み取る手法で、分子構造を直接反映します。ただし信号が弱く、小麦粒ではタンパク質・デンプン・脂質など多くの成分の帯が重なるため、そのままでは微量のDONの寄与を読み取りにくいという課題が論文でも指摘されています。

どのように調べたか

試料は、ケニア・ナクル郡ニョロにあるケニア農畜産研究機構の研究農場で、2025年の作期（3月播種・9月収穫）に自然に赤かび病に感染した小麦（Triticum aestivum L.）と健全な穂から集められました。人工的に毒素を添加した試料ではなく、自然感染した粒を使った点が著者らの強調するところです。実験室では常温で風乾し、白色LED照明の下で粒を一つずつ観察して、形態や色の特徴で健全か感染かに分類しました。対象は計70粒で、そこから1粒あたりおよそ3点、合計195のスペクトルが取得されました。

粒をそのまま測ると、表面の曲面や外皮による蛍光の影響で再現性が落ちるため、著者らは粒を縦に切って内部の胚乳（でんぷんを蓄える組織）を露出させる方法を採りました。DONが主にたまる組織に直接あたる利点がある一方、論文はこの切断処理自体は破壊的であると明記しています。測定には785 nmのレーザーを備えた携帯型ラマン分光装置を用い、200〜2000 cm⁻¹の範囲でスペクトルを記録しました。

得られたスペクトルは、蛍光の背景やノイズを補正したうえで、二次元相関分光法（2D-COS）にかけられました。これは試料間で一緒に変化する振動の特徴を見つけ出す解析で、著者らはこれにより866、1148、1456 cm⁻¹という三つの帯をDONの指標（バイオマーカー）として特定しています。さらに主成分分析（PCA、多数の波数の情報を少数の指標にまとめる手法）で次元を減らし、全体の分散の95%以上を占める最初の16成分を特徴量として、サポートベクターマシン（SVM）とランダムフォレスト（RF）という二つの教師あり学習モデルに健全／感染の判別を学習させました。PCAの変換は訓練データのみから求め、テストデータが影響しないようにしたと述べられています。判別の裏づけとして、一部の粒はAgraVisionリーダーを用いた免疫測定でDON濃度を定量し、独立した参照値としました。

主な報告結果

平均スペクトルの比較では、健全な粒は幅広く低強度の帯を示したのに対し、感染粒では860〜870、1140〜1155、1450〜1465 cm⁻¹付近で明確な強度の増加が見られ、同じ帯は純粋なDON標準品のスペクトルでさらに強く現れたと報告されています。著者らはこれらを、DONの骨格であるトリコテセン環の呼吸振動やC-O-C変形、CHおよびCH₂変形といった振動に帰属させ、観測された変化が非特異的な生化学変化ではなくトリコテセンによる汚染に由来すると解釈しています。2D-COSの同期マップでは866、1148、1456 cm⁻¹に強い対角のオートピークが現れ、これら三つの強度が同時に増えることが示されました。

2D-COSで見いだされた領域に限ってPCAを行うと、健全な粒、感染粒、純粋なDONが第1主成分に沿って明確に分かれ、第1主成分だけで分散の59.4%を説明したと報告されています。三つのピークの平均強度は、健全（0.0 ppm）、DON標準（1.78 ppm）、感染試料（2.3 ppm）という実験室の参照濃度に対応して段階的に高くなり、一元配置分散分析で群間の差は有意（p < 0.001）、事後のTukey HSD検定でもすべての対比較が有意（p < 0.05）でした。

判別の性能については、16主成分を用いたSVMがテストセット39試料のうち1試料のみを誤分類して97%の正解率を示し、各クラスの適合率・再現率は0.95〜1.00の範囲でした。同じ特徴量を用いたRFは独立したテストセットで健全21粒と感染18粒をすべて正しく判別し、100%の正解率に達したと報告されています。データ全体を用いた5分割の層化交差検証では、RFの平均正解率は98.2%（±1.1%）、適合率と再現率はいずれも0.98（±0.02）でした。加えて著者らは、試料の準備から分光測定、解析・判別までを合わせて1粒あたり8分未満で完了できたとまとめており、これを数時間を要するELISAや抽出・精製を含めて60分超となるGC-MSと対比させています。

同時に論文は限界も明示しています。データは単一の研究拠点から得た70粒・195スペクトルという比較的小規模なもので、層化交差検証と独立したテストセットを用いてはいるものの、試料数と地理的な由来の偏りが結果の一般化を制約すると述べられています。菌種の構成やDONの分布、共存成分の影響は品種や環境条件、栽培管理によって大きく異なりうるため、現時点のモデルは概念実証（proof of concept）とみなすべきであり、より広い産地・品種・汚染水準を含む外部検証が必要だとしています。

この研究が示すこと

著者らの報告が示すのは、特殊な増感技術や複雑な前処理に頼らなくても、従来型のラマン分光に二次元相関分光法による帯の絞り込みと機械学習による判別を組み合わせれば、自然感染した小麦粒のDON汚染を短時間で見分けられる可能性があるという点です。化学的に意味のある波数領域に解析を絞ったことが、識別に効いたと論文は位置づけています。

論文自身が結果を概念実証と呼び、さらなる検証を前提としているとおり、この段階で分かるのは可能性の輪郭です。それでも、高価な装置や中央検査室にアクセスしづらい環境で、穀物の安全性をめぐる判断を支える手がかりを、自然感染した現地の試料に即して検討したこと自体が、この研究から伝わる意味だといえます。

著者：Antony M Ngugi（. Department of Physics , University of Nairobi , Nairobi , KEN）、Zennah Kosgey（. Department of Physics , University of Nairobi , Nairobi , KEN）、Robinson Ndegwa（. Plant Pathology , Kenya Agricultural and Livestock Research Organisation , Nakuru , KEN）、Jared O. Gwaro（Department of Mathematical and Physical Sciences , Maasai Mara University , Narok , KEN）

※本記事は原著論文をもとに、日本語で要約・説明を加えた研究紹介です。 出典（原著論文）：Antony M Ngugi, Zennah Kosgey, Robinson Ndegwa, et al. Rapid Detection of Deoxynivalenol in Wheat Using 2D Raman Correlation Spectroscopy and Machine Learning. Cureus Journal of Agriculture and Food Science 2026-09-02. DOI: 10.7759/s44497-026-00258-7. 原著ライセンス：CC BY.