智能树突阵列：SERS与增量学习的融合，提升致病菌检测效率

原创

来源：占英

2025-03-28 10:34:52

149次浏览

核心提示：基于聚氨基胺（PAMAM）的硅晶片上的金纳米组件（PGNAs/Si）作为高活性SERS衬底的无标签生物传感器对于促进四种致病菌在食品、医疗产品和生产环境中的超灵敏检测至关重要。

1. 引言

食源性疾病是全球严重的公共卫生问题，给卫生保健系统带来巨大压力，并阻碍经济发展。这些疾病主要由细菌污染引起，可能发生在食品供应链的任何阶段。传统的检测方法耗时且不适合现场监测。近年来，先进技术如CRISPR、LFA和MALDI-TOF MS被开发，但仍存在成本高、操作复杂等问题。表面增强拉曼散射（SERS）技术具有便携、简单、复用能力强的优势，但其实际应用受限于信号再现性和数据处理复杂性。为了解决这些问题，需要更好的SERS生物传感器和光谱分析方法。聚氨基胺（PAMAM）树状大分子可用于制备高效的SERS底物。机器学习，尤其是增量学习和类增量学习模型，可以提高数据分析效率，并通过SHapley加性解释（SHAP）提高模型可解释性。

本研究报道了一种新型的基于树突分子的策略，结合表面增强拉曼散射（SERS）技术和类别增量学习（CIL）模型，用于快速检测真实基质中的多种食源性病原体。该方法利用第五代聚氨基胺（G5 PAMAM）和金纳米颗粒（Au NPs）作为关键材料，构建了优化的SERS生物传感器。这些传感器具有树突状纳米结构，内部纳米间隙极小，展现出优异的SERS性能。通过在模拟污染的水、食物和膳食补充剂样品中进行测试，该方法成功检测了四种致病菌。使用LightGBM算法对收集的SERS光谱进行分类，并通过SHAP方法量化了SERS特征对模型预测的贡献。

2. 结果与讨论

提出的生物传感器的合成、优化和表征

本研究利用G5 PAMAM和Au NPs构建了PGNAs杂化纳米结构，用于表面增强拉曼散射（SERS）应用。通过优化Au NPs的尺寸（5 nm和15 nm）和G5 PAMAM的浓度，形成了PGNAs-1176底物，其SERS信号最强。结果表明，PAMAM可以调节Au NPs之间的间距，增强SERS效果。PGNAs-1176的纳米结构由微小自组装和枝晶结构组成，具有不均匀的SERS信号增强区域。这些特性使得PGNAs-1176成为一种高效的SERS基底。

图1. SERS基底的表征

研究人员通过优化PGNAs/Si底物的合成条件，提高了SERS生物传感器的灵敏度、均匀性和可重复性。通过梯度浓度的G5 PAMAM预处理，获得了最佳的SERS信号强度。进一步优化了摩尔比和反应体积等条件，制备了PGNAs/Si-9113作为高灵敏度的SERS生物传感器。该传感器的增强因子（AEF）为1.58×10⁷，检测限（LOD）为1.04×10^-11 M，并在62天内保持了优异的稳定性。重复性实验显示RSD值约为7.29%，表明其具有良好的重复性。

图2. 生物传感器的表征

SERS检测食源性致病菌

本研究评估了PGNAs/Si底物在检测革兰氏阳性和阴性细菌（金黄色葡萄球菌、大肠杆菌、副伤寒杆菌B和铜绿假单胞菌）的性能。与PCR相比，PGNAs/Si底物能够区分不同种类的细菌，通过SERS光谱捕捉其独特的特征峰。该方法在低至10 CFU/mL的浓度下仍能检测到细菌，适用于牛奶、铁皮石斛叶汁和灵芝孢子粉等复杂基质。总检测时间约为20~30分钟，展现出简便、快速、灵敏的特点。

图3. SERS检测食源性致病菌的可行性分析

LightGBM用于细菌鉴别

为了准确区分不同基质中的细菌，研究人员使用LightGBM算法建立了类别增量学习（CIL）模型。SERS数据分为三组：单个细菌光谱、混合细菌光谱和实际样品中的混合细菌光谱。通过优化数据预处理技术（如二阶导数法）和超参数优化，模型在不同数据集上的平均准确率分别为96.15%、95.91%和92.06%。所有模型的平均AUC值均大于0.9791，表明该模型具有较高的精度和鲁棒性。外部验证结果显示，模型在区分不同细菌种类方面取得了良好的效果，预测准确率均在93.44%以上。

图4. CIL模型在hold-out数据集上的分类性能结果。

CIL模型解释

本研究使用SHAP（SHapley Additive exPlanations）方法来解释SERS特征峰对类别增量学习（CIL）模型输出的影响。SHAP通过分配SHAP值来量化每个特征对预测结果的贡献。结果表明，特定SERS峰（如528 cm⁻¹）对某些细菌的预测有积极影响，而对其他细菌有消极影响。SHAP蜂群图和柱状图揭示了特征贡献的趋势，强调了每个特征对模型输出的重要性。这些结果帮助识别了对细菌鉴别至关重要的SERS特征峰，并表明CIL模型的优异性能归因于PGNAs/Si生物传感器提供的特异性光谱和LightGBM算法的特征提取能力。

图5. 跨数据集CIL模型的SHAP分析

3. 总结

本研究设计了一种基于树突分子的新型平台，该平台整合了由PAMAM-Au NPs混合纳米材料构建的SERS生物传感器和使用LightGBM算法的类别增量学习（CIL）模型。这种整合使得在实际样品中能够快速、简单、同时检测多种食源性病原体。制备的PGNAs/Si生物传感器通过使用PAMAM控制其纳米结构，提供了优越的SERS性能。尽管光谱数据数量有限，并且受到复杂介质的干扰，但CIL模型实现了对所有四种病原体的准确和有效分类。未来，该平台可用于食品或制药生产中的细菌检测，并通过识别生物基质SERS谱中的“数字生物标志物”来增强其实用能力。