机器视觉：液晶传感器阵列识别食品和水中的致病菌

1. 引言

食物和水中的病原体构成重大健康威胁，包括细菌、真菌、病毒和寄生虫。传统的检测方法如PCR和培养耗时且需要实验室设施。为解决这些问题，开发了基于阵列的传感器平台，例如“化学鼻/舌传感器”，但它们存在成本高和识别元素相互干扰的问题。液晶（LC）传感器因其高灵敏度和低成本而受到关注，通过与纳米结构（如银纳米三角形）耦合可以增强信号。机器学习算法在模式识别中发挥关键作用，能够有效地从复杂数据中提取模式，提高病原体检测的准确性。

本研究报道了一种单探针传感阵列，以同时区分食物和水样中的各种细菌菌株（方案1）。使用了基于LC的平台以及半胱氨酸功能化银纳米三角形（cys- SNT）来增强信号。此外，半胱氨酸由于其硫醇官能团，使得含金和银的贵金属纳米结构具有可行的功能化。利用基于LC的平台，根据蜡样芽孢杆菌（B. cereus）、大肠杆菌、铜绿假单胞菌（P. aeruginosa）、金黄色葡萄球菌（S. aureus）和鼠伤寒杆菌（S. typhimurium）与cys- SNT的相互作用以及它们在LC界面上的独特模式，对5种不同的细菌进行了区分。光学模式的图像被捕获并处理以开发包含各种特征的数据集，包括强度，RGB颜色等。使用各种ML算法对数据进行分析，以生成准确的分类模型，对每种细菌进行精确分类。

方案1. 半胱氨酸功能化SNT信号增强细菌识别的ML辅助单探针LC传感阵列示意图

2. 结果与讨论

Cys-SNTs的合成

本研究采用分步还原法制备了稳定的半胱氨酸功能化银纳米三角形（SNT）。最终的SNT溶液呈深黄色，半胱氨酸功能化后颜色更深。通过紫外可见光谱和红外光谱验证了SNT的合成及其与半胱氨酸的功能化。紫外可见光谱显示，功能化SNT在415 nm处有明显的蓝移，吸收强度增加。通过评估不同浓度的半胱氨酸溶液，确定2 mM为最佳浓度。FTIR光谱表明，-SH基团通过硫酸键与SNT的金属表面相关联。DLS结果显示，SNT具有高稳定性，zeta电位约为-35.0，粒径分布在55 nm左右。SEM结果确认了合成SNT的三角形结构。

图1. LC生成的光学图案：(a) LC细胞被空气包围，形成黑暗图案；(b) LCs上的cys- snt；(c)由LB培养和cys- snt组成的对照；和（d-h）与cys-SNTs孵育时LB培养中各种细菌的光学模式。

基于阵列的细菌鉴定

本研究使用基于液晶（LC）的阵列平台检测五种细菌，包括蜡样芽孢杆菌、大肠杆菌、铜绿假单胞菌、金黄色葡萄球菌和鼠伤寒杆菌。该平台利用半胱氨酸功能化的银纳米三角形（cys-SNT）来增强信号。LC平台通过与空气接触使LC分子垂直排列，减少了表面功能化的复杂性和成本。LC与细菌的相互作用产生独特的光学模式，这些模式受到细菌细胞壁特性的影响。然而，原始的光学模式相似性较高，因此引入cys-SNT来增强信号。cys-SNT通过与细菌表面的负电荷相互作用，导致不同细菌表面吸附不同量的cys-SNT，从而产生可识别的光信号。

为了准确识别细菌，研究人员使用机器学习辅助模式识别。通过OpenCV提取图像特征，并使用卡方算法和随机森林算法评估特征重要性。结果表明，最大灰度值和色相是最重要的特征。通过这些方法，成功地开发了一种基于LC和cys-SNT的细菌检测系统，具有高准确性和独特的识别能力。使用四种机器学习算法（SVM、ANN、XGBoost和RF）进行多类分类，通过10倍交叉验证评估其性能。结果显示，所有模型的准确率、召回率、精度和kappa评分均在90%以上，表明分类水平较高。SVM模型表现最佳，准确率为98.89%，kappa得分为0.987。SVM通过一对一或一对多策略适用于多类任务，尤其适合处理小数据集。

图2. 基于响应向量欧几里得范数的5种被试细菌的校正曲线。

分析实际样品

本研究使用基于液晶（LC）的传感平台检测不同浓度的细菌，范围为10至10⁶ CFU/mL。通过提取11个特征并计算欧氏范数，建立了校准曲线。该传感器的检测限小于10 CFU/mL，表明其能够检测少量污染。真实样本测试中，平台在识别水和果汁中的细菌方面表现出色，准确率分别为95.83%和97.92%。然而，牛奶样本的准确率较低（89.58%），可能是由于其复杂成分。预测浓度与实际计数接近，验证了该平台在真实环境中的有效性。

图3. 水中真实样品分析：(a)各种细菌菌株的光学模式(b)使用SVM算法对细菌进行多类分类的混淆矩阵。

图4. 果汁实际样品分析：(a)各种细菌菌株的光学图谱；(b)使用SVM算法对细菌进行多类分类的混淆矩阵。

图5. 牛奶中真实样品的分析：(a)各种细菌菌株的光学图谱；(b)使用SVM算法对细菌进行多类分类的混淆矩阵。

3. 总结

研究设计了一种基于液晶（LC）的单探针光学传感器阵列，用于识别和区分水和食品样品中的细菌。该平台利用LC分子在空气中同向排列的特性，通过使用纺织网格，无需复杂的表面修饰，从而简化了制备过程并降低了成本。为了提高细菌分化的准确性，研究人员使用了半胱氨酸功能化的银纳米三角形（cys-SNT），它们既能与细菌相互作用，又能通过其等离子体特性增强光信号。通过偏光显微镜对图像进行分析，并提取特征，使用四种不同的机器学习（ML）算法进行训练。结果显示，支持向量机（SVM）模型的分类准确率最高，达98.89%。该传感平台在模拟真实样本中进行了测试，包括水、橙汁和牛奶，准确率分别为95.83%、97.92%和89.58%。总的来说，这项研究提出了一种快速、简便的基于LC的细菌识别传感平台，利用cys-SNT进行信号增强，ML进行分类。这种平台具有广泛的应用潜力，尤其是在食品安全和水质监测领域。

论文链接：https://pubs.acs.org/doi/10.1021/acsami.4c19722.