机器学习助力：多类农药智能识别新途径

1. 引言

农药残留检测面临着环境和健康风险。传统实验室方法（如高效液相色谱-质谱）精度高，但依赖专业设备。酶抑制法（基于乙酰胆碱酯酶和丁酰胆碱酯酶）因其便携性和快速响应而受到青睐，但仅适用于部分农药。纳米酶作为天然酶的替代品，具有多样性和可控性，尤其是铜基纳米酶与三聚氰胺的结合，显示出在农药传感中的潜力。通过集成传感器阵列和机器学习，可以实现多种农药的智能识别，提高检测的准确性和效率。这种方法有望解决传统方法的局限，推动农药检测技术的发展。

本研究报道了一种胆碱酯酶和纳米酶的集成阵列，结合ML分类和回归算法，用于更广泛的农药的一步定性鉴定和定量检测。首先，创造性地用溶剂热合成法制备了三聚氰胺铜纳米酶(Mel-Cu)，该酶具有优良的类漆酶(Lac-like)和类过氧化物酶(Pod-like)活性。选择Mel-Cu的双重催化活性作为集成阵列的两个通道，而其他通道受酶抑制方法的启发，由两种胆碱酯酶(AChE和BuChE)(方案1)。Mel-Cu和胆碱酯酶通道潜在的信号互补性有利于提高农药品种适应性。接下来，研究了集成阵列区分不同浓度的多种农药以及复杂农药混合物的能力。并构建了一个统一的逐步预测模型，包括一个忽略浓度的分类模型和十二个不同农药的回归模型。

方案1. 基于Mel-Cu和胆碱酯酶的机器学习辅助集成传感器阵列多类农药智能识别示意图

2. 结果与讨论

Mel-Cu的表征

通过铜的配位作用制备了Mel-Cu纳米材料，并进行了多种表征。扫描电子显微镜显示其尺寸约为300×600 nm。傅立叶变换红外光谱（FTIR）揭示了三聚氰胺的特征峰，表明配位发生在-NH位点。X射线衍射（XRD）图案与模拟结果一致。X射线光电子能谱（XPS）分析显示了铜、氧、氮、碳的存在，并证实了Cu-N配位。这些结果共同证明了Mel-Cu的成功制备。

图1. Mel-Cu的表征。

农药对酶和纳米酶的影响

Mel-Cu纳米酶的铜中心和氨基官能团为农药提供了作用位点。实验表明，草铵膦、草甘膦和多菌灵对Mel-Cu的类漆酶活性有强烈抑制，而硫黄隆、卤黄隆和烟嘧磺隆则增强过氧化物酶样活性。与之相比，胆碱酯酶抑制法主要适用于有机磷和氨基甲酸酯类农药。Mel-Cu和胆碱酯酶的结合可能检测更广泛的农药类型，存在“信号互补”现象。通过研究不同浓度的农药对纳米酶的抑制作用，发现抑制程度随浓度增加而变化。这种组合方法有望提高农药检测的准确性和范围。

图2. 农药影响调查。

农药识别集成传感器阵列的构建

本研究基于Mel-Cu的漆酶样和过氧化物酶样活性，以及AChE和BuChE，构建了一个集成传感器阵列，以鉴别多种农药。通过分析不同农药对四个感应通道的抑制程度，形成了特征性的反应模式。线性判别分析（LDA）和主成分分析（PCA）等方法显示，12种农药在10 μg/mL浓度下被成功区分。相比之下，传统的胆碱酯酶阵列只能识别部分农药。该集成阵列在不同浓度和复杂混合物中表现出优异的传感能力，表明信号互补策略是提高农药分析效率的有效途径。

图3. 集成传感器阵列在10 μg/mL浓度下进行不同农药判别。

机器学习有助于农药的智能识别

基于酶/纳米酶抑制的农药定性鉴定容易受到浓度的干扰。为了解决这一问题，研究使用机器学习来增强集成传感器阵列的辨别能力。通过支持向量机（SVM）算法，实现了高于95%的准确率，表明了显著的稳定性。数据集包括12种农药、7种浓度和5种平行样本，以8:2比例分为训练集和测试集。SVM在训练集和测试集中表现出最高的准确度，分别为99.4048%和100%。这证明了机器学习辅助的集成传感器阵列能够精确地识别农药，且不受浓度的影响。

图4. 忽略0.5~50 μg/mL浓度范围，采用判别模型对12种农药进行定性鉴定。

集成传感器阵列可以对不同浓度的农药产生特征反应，从而实现定量分析。通过比较不同回归算法，支持向量机（SVM）回归算法被选为最佳选择。为12种农药开发了浓度预测模型，结果显示出良好的适用性。进一步，采用逐步预测策略，将分类和回归模型整合，实现了对未知样品的定性和定量分析。测试结果显示，盲样类别被正确识别，预测浓度误差小于5%。机器学习显著提高了传感器阵列的性能，展现出在多种农药分析中的优异准确性和适用性。

图5. 基于分类和回归算法的逐步预测模型用于农药的定性和定量识别。

3. 总结

本研究设计了一种新型的纳米酶（Mel-Cu），并成功地利用其漆酶样活性、过氧化物酶样活性，以及乙酰胆碱酯酶（AChE）和丁酰胆碱酯酶（BuChE）构建了一个完整的传感器阵列。Mel-Cu和胆碱酯酶通道表现出潜在的信号互补性，增强了传感器阵列对不同农药种类的适应性。在此基础上，集成阵列成功识别了0.5-50μg/mL范围内的12类农药，明显优于传统的酶抑制方法。此外，研究人员通过机器学习的分类和回归算法建立了逐步预测模型，实现了多种农药的非浓度依赖性定性鉴别和精确定量测定。值得注意的是，集成传感器阵列还表现出优异的抗干扰能力，即使在干扰物共存的环境中也能准确识别农药。最后，他们用它来分析水果、蔬菜、湖水和土壤中的农药残留，显示了令人满意的准确性和适用性。因此，该集成传感器阵列和预测模型在农药残留分析、食品安全评估和环境卫生学评价中具有广阔的应用前景。

论文链接：https://doi.org/10.1016/j.bios.2024.116747