基于机器学习的三模式传感器阵列检测磺酰脲类农药

背景与挑战

磺酰脲类农药（如烟嘧磺隆）因水溶性强易污染环境，但传统胆碱酯酶法无法特异性检测。单信号传感器易受基质干扰，且无法区分同类农药的不同品种。

技术方案

三信号输出：利用ASP-Cu纳米酶的过氧化物酶活性，催化TMB生成oxTMB，同步产生比色（652 nm吸光度）、荧光（404 nm淬灭）和光热（近红外升温）信号。

传感器阵列：通过不同SUs对信号强度的差异化响应构建指纹图谱。

机器学习模型：采用K最近邻（KNN）算法建立无浓度依赖分类模型，整合9个浓度梯度数据（0.1–100 μg/mL）实现100%准确识别。

实验结果

选择性：在干扰物质（如葡萄糖、重金属离子）浓度达500 μg/mL时，仍能特异性识别20 μg/mL的SUs。

实际样本：在大豆、玉米等农作物表面喷洒SUs后，回收检测准确率100%。

抗干扰性：双信号（比色+荧光）准确率仅80%，三信号联合将准确率提升至100%。

图1.基于纳米酶 - H2O2 - TMB 系统选择性检测磺酰脲类农药的多信号传感器阵列示意图。

图 2.使用构建的多信号传感器阵列检测和区分 SUs。（A、E、I）指纹图、（B、F、J） 热图、（C、G、K） LDA、（D、H、L） 五个 SUs的 HCA (0.1, 10 and 100μ g/mL)。

图 3.研究传感器阵列法的选择性和抗干扰性能。（A） 区分SUs（20 μg/mL）和干扰物质（农药：甲硝糖浆、乐果、草铵膦、草甘膦、胈脐、MCPA、噻虫嗪、二氟苯脲、甲萘威、氨基甲酸异丙酯、异丙肾上腺素、2-甲基-4-氯化钠;常见干扰物质：木糖、葡萄糖、蔗糖、果糖、阿拉伯糖、乳糖、硫酸链霉素、Cd2、Al3、Zn2、Co2、K、Na、干扰物质浓度为500μg/mL）。在干扰物质 （500 μg/mL） 存在下，检测 SU （20 μg/mL） 的 LDA 和 （D） HCA。

图 4.研究传感器阵列方法对真实样品的检测性能。（A） 为本实验选择的真实样品的数据。使用 KNN 算法对 （B） 玉米、（C） 大豆、（D） 绿豆、（E） 油菜和 （F） 糯稻中 SUs 的鉴定和区分分类图。

创新点

首次将光热信号引入传感器阵列，结合多模式数据提升抗干扰能力。KNN模型的引入解决了传统LDA算法在浓度变化下的分类局限性，为复杂样本中的痕量农药检测提供了普适性方案。

应用前景

该技术可集成于便携设备，用于农田现场检测或食品加工环节的快速筛查。未来通过扩展纳米酶种类（如氧化铁、二氧化铈），有望进一步检测其他类型农药（如有机磷类），推动食品安全监测技术的智能化发展。

原文链接：https://doi.org/10.1016/j.bios.2025.117286