新技术助力牛奶中细菌检测，机器学习与传感器阵列结合显成效

　　食品安全是全球公共卫生领域的关键问题之一，而食源性致病菌的污染是导致食品安全事件的主要原因之一。确保食品供应链的安全性，尤其是快速、准确地检测食品中的致病菌，一直是食品科学和公共卫生领域的重大挑战。传统的细菌检测方法，如平板计数法、酶联免疫吸附测定(ELISA)和聚合酶链反应(PCR)等，存在诸多局限性。平板计数法虽可靠，但流程繁琐且需严格无菌环境;ELISA 和 PCR 检测虽能缩短时间，却依赖专业人员操作，抗体或 DNA 设计成本高昂，并且基于 “锁钥” 原理，每次只能检测单一病原体，难以同时识别多种致病细菌。

　　近日，康涅狄格大学营养科学系的Yangchao Luo教授等在Food Chemistry期刊上发表了题为 ：Machine learning supported single-stranded DNA sensor array for multiple foodborne pathogenic and spoilage bacteria identification in milk论文。

　　此次研究中，科研团队创新性地构建了非特异性光学传感器阵列。该阵列利用二维纳米颗粒(2D NPs)与荧光标记的单链 DNA(ssDNA)之间的相互作用来实现细菌检测。2D NPs 能高效猝灭荧光标记的 ssDNA 的荧光，而当存在外来生物分子(如细菌)时，它们会与 ssDNA 发生竞争反应，使部分 ssDNA 从 2D NPs 表面释放，荧光得以恢复。不同细菌与 ssDNA 及 2D NPs 的相互作用不同，从而产生独特的荧光恢复模式，形成每种细菌的 “荧光指纹”，以此实现对多种细菌的识别。研究选用了八种细菌，包括五种常见的食源性致病细菌和三种非致病腐败细菌，并以牛奶为模型食品基质，这是因为牛奶在室温下极易变质，其细菌污染问题备受关注。

　　图1 (a)：展示细菌与传感元件间的竞争反应原理，即细菌使吸附在二维纳米颗粒上的单链 DNA 释放，引发荧光恢复。(b)：呈现纳米颗粒悬浮液的 UV-Vis 光谱，在 606nm 和 672nm 处有强吸收峰，672nm 波长用于浓度测定。(c)：为对 4 种单链 DNA 的猝灭曲线，当浓度为 25μg/ml 时，对单链 DNA 荧光猝灭效率达 90%。(d)：是大肠杆菌使荧光恢复曲线，加菌后荧光强度上升，80 分钟内最大恢复约 60%。

　　图 2：展示大肠杆菌在传感器阵列上不同孵育时间(30min、60min、90min、120min、14h)后的荧光恢复强度变化，随时间荧光强度逐渐增加，14h 达到最大值超 10000.

　　图3：呈现 8 种细菌在 30min 孵育时的归一化荧光恢复模式，不同细菌荧光恢复模式独特，利于比较分析。

　　图4：细菌种类的主成分分析(PCA)得分图，含 95% 置信椭圆。前三个主成分累计解释 78.3% 的总方差，部分细菌能分离，但部分仍有重叠。

　　为了进一步提高检测的准确性和效率，研究人员运用了机器学习技术。他们选取了六种机器学习模型，包括四种传统监督模型(偏最小二乘判别分析 PLSDA、K 近邻算法 KNN、随机森林分类器 RFC、支持向量分类器 SVC)和两种人工神经网络(多层感知器 MLP、Kolmogorov-Arnold 网络 KAN)对传感器阵列获取的数据进行分析。通过对不同孵育时间的数据进行处理和分类，比较各模型的性能。

　　图5 (a)：展示 6 种模型在 30min 孵育时的分类性能(精度、召回率、准确率)，3 种传统模型准确率超 80%，但均未超 90%，神经网络模型更高。(b)：呈现 MLP 和 KAN 在不同孵育时间的测试集分类准确率，所有时间准确率均超 90%，MLP 在 120min 时最高达 98.4% 。

　　实验结果显示，该传感器阵列在检测牛奶中的细菌时表现出色。在 30 分钟的孵育时间内，神经网络模型(KAN 和 MLP)的准确率达到了 93.8% 。随着孵育时间延长至 120 分钟，多层感知器(MLP)的准确率更是提升至 98.4%。相比之下，传统机器学习模型的准确率相对较低，在 30 分钟孵育时，没有一个模型的准确率超过 90% 。不过，随机森林分类器(RFC)在 30 分钟孵育后达到了 90% 的准确率，在传统模型中表现最佳。此外，研究还表明，传感器阵列具有良好的重复性和抗干扰能力，能够有效排除牛奶中常见干扰物质的影响。

　　图6：对比多层感知器(MLP)和 Kolmogorov-Arnold 网络(KAN)结构。MLP 有输入、隐藏和输出层，激活函数分别为 ReLU 和 Softmax;KAN 只有输入和输出层，激活函数是基于样条的函数。

　　图7：展示 MLP 和 KAN 在训练集和测试集上的准确率和损失曲线。MLP 损失曲线随训练轮次下降，准确率上升;KAN 曲线波动大，过拟合更早出现。

　　图8：6 种机器学习模型在 30min 孵育时测试集的混淆矩阵，展示模型对不同细菌的分类情况，MLP 和 KAN 能正确分类大部分数据点，部分细菌易误判。

　　总结：这一新技术为食品行业带来了诸多益处。它成本较低，操作相对简便，有望替代传统的细菌检测方法，帮助食品企业更快速、准确地检测牛奶中的致病和腐败细菌，从而及时采取措施，保障乳制品安全，减少因食品污染导致的经济损失和健康风险。同时，该技术还具有拓展应用的潜力，可以进一步应用于其他液体食品的检测，确保更广泛的食品安全。

　　参考文献：

　　[1] Yi Wang , Yihang Feng , Zhenlei Xiao , Yangchao Luo. Machine learning supported single-stranded DNA sensor array for multiple foodborne pathogenic and spoilage bacteria identification in milk. Food Chemistry, 2025. 463: 141115.