一种聚集诱导发射纳米硅基传感器阵列结合机器学习用于多种食源性致病菌的即时鉴别

食源性致病菌是造成食物浪费和食品安全问题的主要原因之一，给公众经济和健康造成巨大负担。处理供应链中被病原菌污染的食品的主要挑战是识别和确定病原菌种类。目前主流的检测方法包括基于培养的方法和基于核酸检测的方法，然而，这些方法在某些方面仍然存在着应用的限制。因此，迫切需要快速、简便、可靠和准确的技术来识别食品中的病原菌。相比而言，传感器阵列的检测成本相对较低，避免了对高成本生物分子的需求。

本研究首次提出了一种基于聚集诱导发光功能化纳米硅的纳米传感器阵列结合机器学习用于识别和检测8种食源性病原菌。如图1，通过包封四种不同官能团的四苯基乙烯衍生物，合成了四种具有不同官能团、表面电荷和亲/疏水性的聚集诱导发光功能化纳米硅（AIE功能化纳米硅）。制备的AIE功能化纳米硅被用作受体，根据其与病原体的独特相互作用差异构建纳米传感器阵列，用于病原菌的快速、同时识别。通过四苯基乙烯衍生物与病原菌作用的荧光光谱，形成细菌指纹图谱。通过与机器学习算法的结合，所提出的纳米传感器阵列在1 h内识别出8种病原菌，准确度高达93.75%-100%。

图1 机器学习辅助的聚集诱导发射纳米硅基传感器阵列用于病原菌识别的检测原理图

研究首先采用非共价包埋策略制备了传感元件，即不同的AIE功能化纳米硅材料（TPE-COOH-SiO₂，TPE-NH₂-SiO₂，TPE-CHO-SiO₂，TPE-SiO₂纳米粒子），并进行了表征。透射电镜（TEM）观察到制备的四种AIE功能化纳米硅材料都呈均匀分散的球体（图1 A），并具有不同的平均直径（图1 B）。不同大小的纳米粒子在与不同细菌相互作用中可能具有不同的位阻，这可能有助于产生不同的荧光反应，用于细菌识别。利用傅里叶变换红外光谱（FT-TR）（图1 C）和X射线光电子能谱（图1 D-E）进一步研究了纳米硅的化学键。同时，研究结果表明四种AIE功能化纳米硅材料TPE-NH₂-SiO₂，TPE-COOH-SiO₂，TPE-CHO-SiO₂，和TPE-SiO₂的荧光寿命分别为2.72，2.15，1.28，1.47 ns（图1 F），且在370 nm激发波长下，对应的发射波长分别为468、488、532和465 nm。

图2（A）纳米硅的TEM图像；（B）纳米硅的尺寸；（C）纳米硅的FT-IR光谱；（D）纳米硅的C 1s光谱；（E）TPE-NH₂-SiO₂ 纳米粒子的N 1s光谱；（F）纳米硅的荧光寿命；（G）纳米硅的荧光发射光谱。

接着探索了AIE功能化纳米硅与病原菌之间的相互作用。如图2 A，基于受体和病原菌之间独特的静电和疏水相互作用，将四种AIE功能化纳米硅用作病原菌受体。图3 B和图3 C测定病原菌与传感元件的电位，结果表明AIE功能化纳米硅与病原菌之间的ζ-电位均为负，表明AIE功能化纳米硅与病原菌之间可能存在排斥作用。因此，不同的ζ-电位可以为不同的AIE功能化纳米硅和病原菌提供不同的静电相互作用。然后通过水-油分配系数（log P）评价了AIE功能化纳米硅的亲水性（图3 D）以及病原菌的表面亲水性（图3 E）。不同的静电和疏水性互作用代表了不同病原菌对AIE功能化纳米硅的不同荧光反应的潜力，证明其可以进一步用于细菌指纹识别。每种病原菌在10⁶ CFU/mL条件下对四种AIE功能化纳米硅的荧光响应分别如图3 F所示，表明病原菌具有独特的细菌指纹。

图3（A）靶标与哺乳动物嗅觉受体或纳米传感器阵列之间的相互作用；（B）不同AIE功能化纳米硅的ζ-电位；（C）不同病原菌的ζ-电位；（D）不同AIE功能化纳米硅的log P值；（E）不同病原菌的BATH值；不同病原菌对AIE功能化纳米硅的荧光响应（F）TPE-COOH-SiO₂，（G）TPE-CHO-SiO₂，（H）TPE-NH₂-SiO₂，（I）TPE-SiO₂。

研究首先通过无监督学习算法进行细菌鉴定。主要采用以聚类算法和降维算法为主的4种无监督算法对生成的细菌指纹进行分析，包括层次聚类分析（HCA），k均值聚类，主成分分析（PCA）和t分布随机邻近嵌入（t-SNE）。然而结果表明通过无监督学习算法的分析有部分菌群重叠，无法识别。因此，进一步进行监督学习分析提高纳米传感器阵列的预测精度。整个数据集随机分为训练集和测试集，其中训练集占原始数据集的11/15，测试集占原始数据集的4/15。首先选择树形结构算法进行识别训练，其对测试集的总体准确率为93.75%。为提高预测精度，采用随机森林对训练集进行训练，总体精度达到96.88%。然后采用整合了随机森林和决策树算法的XGBoost（极限梯度提升）对训练集进行训练，准确率可达100%。与现有病原菌检测技术相比，所开发的纳米传感器阵列具有令人满意的检测速度和灵敏度。

为进一步验证传感器阵列的分析性能，选择阪崎克罗诺和单增李斯特菌作为模式菌株，使用人工神经网络算法作为概念验证应用于识别不同的病原菌浓度（1-10⁶ CFU/mL）。其对阪崎克罗诺杆菌的总体检测准确率达95.25%，能够正确鉴别的阳性组浓度≥10³ CFU/mL；对单增李斯特菌的总体检测准确率为90.48%，能够正确区分的阳性组浓度≥10² CFU/mL；同时，单增李斯特菌和阪崎克罗诺杆菌以不同比例混合，其总体识别准确率可达100%。结果表明，构建的传感器阵列能够实现样品中单增李斯特菌和阪崎克罗诺杆菌的灵敏定量识别。而且，该传感器阵列在加标牛奶样品中对8种病原菌的总体识别准确率可达91.67%，说明检测方法具有较好的适用性。

论文链接：https://doi.org/10.1021/acs.analchem.3c05662