新型荧光传感器阵列：开启细菌检测的 “高速时代”

细菌在自然界广泛存在，严重威胁人类健康，每年约 770 万人因细菌感染死亡，占全球总死亡人数 13.6%，是第二大死因，食源性疾病、医院感染等都与之相关。快速精准检测细菌对疾病防控和保障公众健康意义重大。但传统检测方法都有缺陷：细菌培养虽准确，却操作复杂、耗时久；核酸检测灵敏快速，但对人员和设备要求高、成本高且结果可能不准；免疫检测操作简单、特异性强，可样本制备难、检测时间长；SERS 和 MS 检测精度高，不过设备昂贵、依赖数据库，普及和使用不便。

 近日，合肥工业大学在ACS Applied Materials & Interfaces期刊上发表了题为 ：Machine Learning-Enhanced Bacteria Detection Using a Fluorescent Sensor Array with Functionalized Graphene Quantum Dots论文。

此次科研团队研发的荧光传感器阵列，核心材料是氮和硫掺杂的石墨烯量子点（NS - GQDs）。NS - GQDs 通过简单的一锅水热法合成，这种方法绿色环保，避免了使用有毒金属元素。研究人员进一步用大观霉素、卡那霉素和多粘菌素 B 对 NS - GQDs 进行功能化修饰，分别得到 S - NS - GQDs、K - NS - GQDs 和 B - NS - GQDs。这些功能化的量子点与不同细菌的结合能力存在差异，一旦与细菌结合，其荧光强度会显著降低。由于不同细菌表面的电子特性和组成不同，它们与带有不同表面电荷的功能化 NS - GQDs 相互作用方式各异，导致荧光猝灭程度不同，从而形成独特的荧光响应模式，为细菌识别提供了依据。

图 1：通过相对荧光信号变化等，评估三种 NS-GQDs 与细菌的作用，展示机器学习算法识别细菌的效率及相关分析图。

在实验过程中，研究人员挑选了大肠杆菌、金黄色葡萄球菌、铜绿假单胞菌、鼠伤寒沙门氏菌和单核细胞增生李斯特菌这 5 种具有代表性的细菌作为研究对象。实验时，将 500μL 浓度为 0.33mg/mL 的量子点溶液与 500μL 细菌溶液充分混合，在 37°C 环境下孵育 5 分钟，确保量子点与细菌充分相互作用，随后测量混合溶液的荧光强度。通过对比混合前后荧光强度的变化，用（F₀ - F）/F₀的比值构建训练矩阵，为后续数据分析提供基础。为了从复杂的荧光数据中提取有效信息，实现精准的细菌识别，研究团队采用了线性判别分析（LDA）、朴素贝叶斯、K 近邻（KNN）、决策树和支持向量机（SVM）等多种机器学习算法。

图 2：利用荧光阵列对单一细菌进行识别，通过多种图展示 5 种细菌的区分情况和特征。

图 3：以大肠杆菌为例，展示荧光阵列对不同浓度细菌的识别，呈现相关图表分析浓度关系。

实验结果显示，该荧光传感器阵列表现卓越。检测速度方面，仅需 5 分钟即可完成检测，大大缩短了检测周期；检测精度上，对 5 种细菌的识别准确率高达 100%，即使在细菌浓度低至 1.0×10³CFU/mL 的情况下，依然能够精准区分。不仅如此，该阵列还具备出色的定量分析能力，传感器信号与细菌浓度呈现良好的线性关系，为准确判断细菌数量提供了有力支持。在检测细菌混合物时，无论是两种细菌的混合样本，还是包含多种细菌的复杂样本，该阵列都能有效识别，展现出强大的检测能力。

图 4：运用荧光阵列对混合细菌进行识别，通过典型得分图展示区分不同混合菌的情况。

图 5：测试荧光平台的抗干扰性和稳定性，呈现区分细菌与干扰物、重复测量及存储时间的相关结果。

在实际应用场景中，该传感器阵列同样表现出色。研究人员模拟现实情况，在经过灭菌处理的自来水中引入 5 种细菌模拟污染场景，同时在牛奶样本中接种目标细菌并培养至特定浓度进行检测。结果表明，该平台能够准确识别自来水中的 16 种未知细菌样本以及牛奶中的细菌，充分验证了其在实际样品检测中的可靠性和实用性。此外，该传感器阵列的抗干扰能力强，能有效区分检测过程中可能遇到的如 Na⁺、K⁺、Cl⁻、NO₃⁻、葡萄糖、半乳糖、精氨酸和赖氨酸等干扰物质；重复性和稳定性佳，连续测量 20 次荧光强度衰减极小，在储存 15 天后，荧光信号依然稳定，确保了检测结果的可靠性。

图 6：使用荧光传感器阵列识别 PBS 中未知细菌，展示区分不同类型未知细菌样本的典型得分图。

图 7：利用荧光传感器阵列识别自来水和牛奶中的真实细菌，呈现区分单菌和目标菌的典型得分图。

这项研究成果为细菌检测领域带来了新的曙光，在食品安全监测、临床诊断、疾病防控等诸多领域具有广阔的应用前景，有望成为保障公众健康和公共卫生安全的有力武器，推动相关领域的技术革新和发展。

参考文献：

[1]Zhang X, Zhu W W, Mei L H, et al. Machine Learning-Enhanced Bacteria Detection Using a Fluorescent Sensor Array with Functionalized Graphene Quantum Dots[J]. ACS Applied Materials & Interfaces, 2025.