智能双增强荧光平台：机器学习助力ATP可视化检测，革新病原微生物监测

原创

来源：贺鹏霖

2025-11-14 10:24:25

45次浏览

核心提示：本研究开发了一种基于荧光金属有机框架与光子晶体的双重信号放大平台，结合机器学习算法，实现了对游离ATP与微生物ATP的高灵敏度、可视化、定量检测。该平台不仅具备设备无关性、操作简便等优势，还可用于食品安全监测与临床病原体诊断，展现出极高的实用价值与推广潜力。

研究背景

腺苷三磷酸（ATP）是所有生命体能量代谢的核心分子，其浓度变化与细胞活性、病原微生物污染、多种疾病（如肿瘤、神经退行性疾病）密切相关。传统ATP检测方法多依赖于酶促反应或适配体识别，存在稳定性差、依赖专业设备等问题，限制了其现场快速检测的应用。

研究原理

本研究构建了一种“双增强”荧光传感平台，其核心由两部分构成：

1. AuNCs@ZIF-8荧光探针

- 将谷胱甘肽稳定的金纳米簇封装于ZIF-8金属有机框架中，利用ZIF-8的空间限域作用抑制AuNCs分子运动，显著增强其荧光强度与寿命。

- ATP与Zn²⁺的配位能力强于ZIF-8中的2-甲基咪唑，可诱导ZIF-8结构坍塌，释放AuNCs，导致荧光信号变化。

2. 光子晶体信号放大器

- 通过自组装聚苯乙烯微球构建具有周期性纳米结构的光子晶体基底，其光子带隙与AuNCs@ZIF-8的发射峰重叠，可进一步增强荧光信号。

- 光子晶体不仅增强荧光，还改善了样品润湿性与成像稳定性。

3. 机器学习辅助定量分析

- 使用智能手机拍摄荧光图像，提取RGB、灰度等颜色特征。

- 通过五种机器学习模型（RF、XGBoost、LightGBM、LASSO、CNN）进行回归或分类分析，实现对ATP或大肠杆菌浓度的精准预测。

下图展示了整个平台的构建与工作机制：

Scheme 1：双增强可视化平台示意图。（a）AuNCs@ZIF-8与光子晶体协同作用实现ATP或大肠杆菌的可视化检测；（b）机器学习辅助定量分析流程；（c）ATP与Zn²⁺的配位机制。

研究结果

1. 材料表征与荧光增强

- TEM与SEM显示AuNCs@ZIF-8呈多面体结构，尺寸约1.53 μm，元素映射证实AuNCs均匀分布于ZIF-8中。

- 荧光强度增强约8倍，荧光寿命从2.33 μs提升至10.96 μs。

- XPS与FTIR分析进一步验证了AuNCs与ZIF-8的成功复合。

Figure 1：AuNCs@ZIF-8的合成与表征。（a）合成示意图；（b）GSH-AuNCs的TEM图像；（c,d）AuNCs@ZIF-8的SEM与TEM图像；（e）元素分布图；（f）XPS谱图；（g）XRD谱图；（h）FTIR谱图。

Figure 2：荧光行为研究。（a）荧光增强机制；（b）AuNCs与AuNCs@ZIF-8的荧光光谱与图像；（c）荧光寿命衰减曲线；（d,e）Au 4f XPS谱图。

2. 光子晶体增强效果

- 使用240 nm PS微球构建的光子晶体，其光子带隙位于595 nm，与AuNCs@ZIF-8发射峰高度匹配。

- 荧光增强因子达1.9，显著优于其他荧光染料。

Figure 3：光子晶体基底制备与性能。（a）制备流程；（b）实物图；（c）SEM图像；（d）接触角测量；（e）反射光谱与多种荧光染料发射谱；（f,g）荧光图像与增强因子分析。

3. ATP与大肠杆菌检测性能

- ATP检测线性范围为0–3.0 mM，检测限为78.73 μM。

- 大肠杆菌检测线性范围为10¹–10⁸ CFU/mL，检测限低至3.54 CFU/mL。

- 随机森林模型在ATP与细菌浓度预测中表现最佳，R² > 0.98，MAE与RMSE极低。

Figure 4：ATP检测与机器学习分析。（a）颜色特征相关性热图；（b）特征重要性；（c）灰度值与ATP浓度的线性关系；（d–i）RF模型的预测性能与交叉验证结果。

Figure 5：大肠杆菌检测与分类分析。（a）检测原理；（b）特征重要性；（c）灰度值与细菌浓度的线性关系；（d–g）RF模型预测性能；（h,i）CNN模型对感染状态的分类性能。

4. 实际样品验证

- 在血清、果汁、牛奶、尿液等复杂样本中，ATP与大肠杆菌的回收率在94.73%–107.45%之间，RSD < 8.52%。

- 在低浓度（10² CFU/mL）下仍能准确检测，优于传统平板计数法。

总结及展望

本研究构建了基于刺激响应AuNCs@ZIF-8和PC的ML辅助双放大视觉平台，并将其应用于复杂样品中游离或微生物ATP的可视化和定量。ZIF-8框架赋予了AuNC增强的荧光，并为ATP提供了特异性识别能力;PC 可以作为物理放大器再次增强荧光。得益于双信号放大，游离ATP检测或微生物ATP介导的大肠杆菌分析可以通过肉眼可视化，也可以在ML算法的辅助下通过提取相应荧光图像的颜色值进行定量。可以获得ATP和大肠杆菌的低LOD，也可以准确预测它们的浓度。荧光平台在加标血清样品的ATP检测和加标食品或生物样品的大肠杆菌分析方面也表现出可靠的实用性。该智能荧光平台非常适合生物标志物的视觉检测，为食品安全监测和临床诊断提供了高效可行的工具。