究竟是什么让蘑菇有毒？
当蘑菇携带一种能伤害活体组织的化学物质时，它就是有毒的。在巴什科尔托斯坦的研究中，研究人员用尾草履虫（Paramecium caudatum）培养物测试了几种蘑菇，尾草履虫是一种单细胞生物，被用作活细胞的简单替代物[1]。测试的物种包括毒鹅膏（Amanita phalloides）、毒蝇伞（Amanita muscaria）和橙黄拟蜡伞（Hygrophoropsis aurantiaca），并以两种可食用物种作为对照[1]。
结果按蘑菇所含毒素的种类将它们区分开来。含有毒性肽（即导致鬼笔中毒综合征的那类毒物）的物种对测试细胞表现出强烈的毒性作用[1]。引起胆碱能综合征的毒素也产生了毒性作用，而阿托品综合征和致幻综合征背后的毒素在此次测试中仅表现出轻微毒性[1]。通俗地说，至少在这个单细胞测试系统中，毒物的化学身份可以预测其伤害的严重程度。
不同毒素，不同伤害
“有毒”这个词掩盖了许多差异。同一项研究将蘑菇毒素归入不同的综合征，即不同毒物引起的可识别症状模式[1]。引起鬼笔中毒综合征的肽类毒素在细胞测试中破坏性最强，而阿托品综合征和致幻综合征背后的毒素在其中的作用则温和得多[1]。
这一排序来自草履虫测试，而非来自人体，因此它描述的是这些毒素如何影响一个简单细胞，而不是人类疾病的完整过程。该研究声明的用途是毒理学中的病因诊断，即确定是哪一种毒素导致了中毒病例[1]。因此，这项工作的实际价值在于区分毒物，而不是解释蘑菇为什么会产生它们。
真菌为什么会产生这些毒素？
所提供的证据到此为止。巴什科尔托斯坦的论文聚焦于毒理学，描述毒素及其引起的综合征，并未考察真菌产生毒素的原因[1]。较早的食用菌和毒菌指南讲的是如何区分二者、避免毒菌，而不是毒素产生背后的生物学[2][3]。
现代识别论文也有同样的空白。一篇使用计算机视觉从图像中对有毒真菌进行分类，在私有测试集上达到78.4%的准确率[4]。另一篇训练深度神经网络区分食用菌和毒菌，报告准确率为83%[5]。两者都关乎识别有毒物种，而非毒素为何存在。因此，对“为什么”的诚实回答是：所提供论文展示了毒物是什么以及它们如何起作用，但没有说明真菌产生毒素的进化或生态原因。
如何区分毒蘑菇和食用蘑菇？
你不能依赖这些论文中的简单视觉规则。识别研究认为这个问题确实很难：数据集庞大且不平衡，物种之间的差异很细微，同一物种的个体差异也很大[4]。这就是为什么人们正在构建自动化系统，它们表现不错但并非完美，在报告的测试中准确率分别为78.4%[4]和83%[5]。
这些数字意味着系统会误判相当一部分蘑菇，因此它们只是辅助手段，而非保证。较早的指南也抱有同样的实用目标，帮助读者选择食用菌、避开毒菌[2][3]。在所有提供的论文中，可靠的信息是：毒性来自具有特定作用的特定毒素[1]，而识别有毒蘑菇是一项独立且仍不完善的技能[4][5]。
本文引用的文献
巴什科尔托斯坦共和国比尔斯基区某些大型真菌毒性作用的特点
用尾草履虫测试比尔斯基区的蘑菇表明，引起鬼笔中毒综合征的肽类毒素具有强烈的毒性作用，胆碱能综合征毒素也有毒性，而阿托品综合征和致幻综合征毒素仅表现出轻微毒性。
……真菌：毒菌、蘑菇、真菌，食用与有毒：如何挑选和烹饪食用菌：如何区分和避免毒菌，附完整植物学……
一本早期指南侧重于区分食用菌和有毒真菌，以及挑选和烹饪食用菌，但没有解释真菌为什么产生毒素。
美洲真菌研究：蘑菇，食用、有毒等
1911年的一项美洲真菌研究识别了食用蘑菇和有毒蘑菇以及如何区分它们，但没有探讨毒素产生背后的原因。
基于迁移学习的有毒真菌细粒度分类识别
一种计算机视觉方法在自监督图像嵌入上使用集成分类器头，在FungiCLEF 2024有毒真菌识别任务中达到78.4%的准确率，并获得赛道3的最佳成绩。
用于准确识别食用和有毒真菌的深度神经网络
一个七层深度卷积神经网络从图像中区分食用菌和有毒真菌，准确率达到83%。