机器学习结合纸基显色阵列，实现鸡肉中鼠伤寒与肠炎沙门氏菌的快速识别

观察细菌留下的气味变化追踪菌

沙门氏菌在食品中生长时，会不断进行代谢，并释放多种挥发性有机化合物。这些化合物可以进入食品包装或者密闭容器的顶空区域，因此理论上，分析顶空气体中的化学变化可以获得与微生物生长相关的信息。

研究团队选择了9种能够对不同VOCs产生响应的化学染料，包括溴百里酚蓝、甲基红和氯酚红等，利用光刻技术将这些染料固定在纸基微阵列上。每一种染料对化学物质的响应并不完全相同。因此，当鸡肉样品释放的VOCs进入传感器区域后，不同位置的染料会发生程度不同的颜色变化。最终得到一组同时包含多个颜色信息的二维图案。

为什么不同血清型可能产生不同的颜色模式？

同一属的不同沙门氏菌血清型，具有较为相近的生物学特征，但其的代谢活动并不一定完全相同。在鸡肉这样的复杂食品基质中，不同菌株在生长过程中产生的挥发性代谢物组成和相对丰度可能存在差异。研究中关注的VOCs包括醛类、酮类、胺类和有机酸等。传感器是通过9种染料对不同化学物质产生的综合响应，形成一个多维颜色模式。

如果只观察一个颜色参数，很难处理这种复杂的多变量关系。但当9个染料在不同时间点产生的颜色变化被同时记录后，就可以将这些数据输入分类模型，由算法寻找不同污染状态之间的模式差异。

从颜色照片变换数字信号实现菌的示踪

实验过程中，研究人员将纸基阵列与接种了沙门氏菌的鸡胸肉样品共同放置在密闭培养皿中。随着贮藏时间增加，鸡肉中的微生物活动会改变顶空环境。释放出来的VOCs与纸基阵列上的染料发生反应，导致不同检测区域出现颜色变化。为了避免单纯依靠肉眼判断颜色，研究人员使用扫描仪对阵列进行图像采集，然后提取RGB色彩空间中的变化信息。每一个检测区域都可以转换成一组数字。例如，与初始状态相比，红、绿、蓝三个通道分别发生了多大变化，可以用ΔR、ΔG和ΔB表示。经过这样的处理以后，一张肉眼看到的彩色图片就变成了一组可以用于统计分析的数据。因为机器学习模型处理的是颜色变化之间的组合关系。

室温下，6小时开始出现较稳定的识别能力

在2-48 h的整个观察过程中，KNN和SVM模型的验证准确率大约保持在78%–88%的范围内。从6 h开始，两种模型的测试准确率基本能够保持在80%以上。

在8 h这个时间点，KNN模型对5种实验场景的总体分类准确率达到88%。

进一步分析不同类别后可以看到，背景微生物（BK）的AUC达到1.000，而对于单独的SE污染，KNN模型的召回率达到100%。这些结果说明，纸基阵列记录到的颜色变化确实包含一定的菌种和污染状态信息，机器学习能够从这些变化中提取出不同类别之间的差异。

不过， “6小时快速检测”是指在贮藏过程中积累了一定的挥发性代谢信息以后，传感器结合机器学习已经能够对不同样品状态进行较稳定的分类。

“非破坏性检测”为病原菌防控提供新思路

传统微生物检测通常需要从食品中取样，再进行均质、培养或者核酸提取。因此检测本身会消耗掉一部分样品。传感器可以固定在包装内部的顶空区域，在运输和贮藏过程中定期读取颜色变化。检测实现了向供应链前端移动的转变。这种“通过食品顶空信息进行无损监测”的思路，为未来开发低成本、便携式的食品微生物监测工具提供了一个值得继续探索的方向。