支持机器学习的SERS传感器：食源性病原菌脂多糖的多重检测

1.引言

脂多糖（LPS）是革兰氏阴性细菌外膜的重要成分，作为病原菌的关键生物标志物，其快速检测对食品安全和公共卫生至关重要。据世界卫生组织统计，全球每年约有6亿例食源性疾病，其中42万人因细菌感染死亡。传统检测方法如鲎试剂试验（LAL）和兔热原试验（RPT）存在耗时长、成本高等问题。表面增强拉曼散射（SERS）技术因高灵敏度和分子特异性，成为潜在替代方案，但需结合亲和探针富集目标分子以提高检测效果。本研究开发了一种基于线性聚合物聚甲基丙烯酸羟乙酯（pHEMA）的SERS传感器，通过氢键作用结合LPS，并利用机器学习分析光谱数据，实现对多种致病菌LPS的快速、低成本、多重检测。

本研究开发了一种基于线性聚合物聚甲基丙烯酸羟乙酯（pHEMA）的表面增强拉曼散射（SERS）传感器技术，通过pHEMA与LPS的氢键特异性结合及机器学习辅助光谱分析的方法，解决了传统LPS检测技术（如LAL法）耗时长、成本高的问题。具体试验方法为：首先采用纳米球刻蚀技术制备金膜覆纳米球（FON）等离子体基底，通过调控金膜厚度（150 nm）优化局域表面等离子体共振效应；其次合成具有65个重复单元的pHEMA作为广谱亲和探针，利用其羟基与LPS多糖结构域的氢键作用实现目标富集；将pHEMA与LPS预孵育后滴加于FON基底，经室温固化后，采用785 nm激光拉曼系统（功率38 mW，积分时间15 s）采集光谱数据；最后结合主成分分析（PCA）和支持向量机（SVC）等机器学习算法，对特征峰（如999 cm⁻¹的多糖振动峰）进行模式识别，实现对沙门氏菌、大肠杆菌等LPS的多重定量检测。

2.结果与讨论

SERS传感器构建流程：通过预复合pHEMA₆₅与LPS形成氢键结合物，将其固定于FON基底表面，利用金纳米球的局域表面等离子体共振效应增强拉曼信号，优化孵育时间（2 h）与激光参数（785 nm，38 mW），实现LPS分子振动指纹图谱的高灵敏采集。

图 1 微生物电化学晶体管（MECT）的原理。 a) 微流控MECT装置，栅极（G）位于源极（S）和漏极（D）上方，电解质在微流控芯片中。b) MECT的电极结构。c) MECT的工作原理。d) 本研究与OECT的掺杂机制比较。

pHEMA对LPS检测的差异化贡献：对比LPS单独检测与pHEMA-LPS复合检测的PCA得分图，证实pHEMA通过氢键作用富集LPS分子（如Salmonella LPS的脂多糖O-抗原），显著提升不同菌株LPS的光谱分离度（PC1方差贡献率67.3%），解决无亲和探针时的光谱重叠问题。

图 2 SERS光谱比较（A）仅添加到FONs的LPS分析物和（B）LPS/pHEMA65复杂化后加入FONs。（C）基于仅LPS（左侧）与pHEMA的主成分分析（PCA）谱谱比较65/LPS（右图）显示了将LPS与pHEMA复合65促进LPS分析物的分化。每个数据点代表一个复制光谱，条件由数据点颜色表示。

LPS特征峰归属与分类效能：在500 μg/mL浓度下，pHEMA-LPS复合物于999 cm⁻¹（多糖C-O伸缩振动）、1032 cm⁻¹（C-C骨架振动）等位置呈现菌株特异性峰强比，结合PCA模型（PC1/PC2累计方差95%），实现沙门氏菌、大肠杆菌O26/O111的完全分类（无重叠簇）。

图 3 （A）pHEMA的平均SERS光谱65以及 pHEMA65三种LPS分析物的/LPS配合物。每个谱是FON基底上随机选定的5个点的3次解析复制的平均值。激光功率为38毫瓦，积分时间为15秒。（B）主成分1（PC1）与pHEMA中LPS最高浓度（500 μg/mL）的PCA评分图与PC265基于收集的SERS光谱的/LPS复形。

浓度梯度光谱响应规律：pHEMA-LPS复合物的拉曼峰强（如Salmonella LPS的999 cm⁻¹）随浓度对数呈线性增强（R²>0.98），检出限达0.7–1.5 μg/mL（低于食源性毒性阈值275 μg/mL），且特征峰位移<2 cm⁻¹，证实检测体系在宽浓度范围（4–500 μg/mL）的稳定性。

图 4 pHEMA的光谱65不同LPS浓度下的/LPS配合物。（A）血红细胞的SERS谱65/沙门氏菌LPS，（B）血性物质65/ECO26：B6LPS，以及（C）pHEMA65/ECO111：B4LPS。灰色高亮框代表用于构建各对应校准曲线的峰值。每个光谱均为在指定条件下记录的15个光谱的平均值。激光功率为38毫瓦，积分时间为15秒。

定量校准曲线与毒性阈值区分：以999/458 cm⁻¹（Salmonella）、999/1195 cm⁻¹（O26）和993/1282 cm⁻¹（O111）为响应参数，建立线性校准方程（R²=0.92–0.97），结合方差分析（p<0.05）显著区分毒性浓度（275 μg/mL）与安全浓度（如16 μg/mL），实现风险等级的快速判别。

图 5 校准曲线利用图4中对LPS浓度响应最佳线性响应的振动带构建，并相对于聚合物的碳酸三酯带进行了归一化（0 μg/mL光谱）。（A）pHEMA 的校准曲线65/沙门氏菌LPS，（B）血性物质65/ECO26：B6LPS，以及（C）pHEMA65/ECO111：B4LPS。绿色竖条虚线表示已知对人体有毒的LPS浓度（275 μg/mL）。(33,34)误差条表示均值的标准误，星号（*）表示统计显著差异（p < 0.05）。

复杂基质干扰与稀释策略：在10倍稀释苹果汁中，pHEMA-LPS特征峰（如734 cm⁻¹的果糖干扰峰）保持可辨识性，而5倍稀释时果糖（734 cm⁻¹）与果胶（1593 cm⁻¹）的重叠峰导致分类准确率下降，证实基质稀释（≥10倍）可消除食品背景干扰。

图 6 对应苹果汁中LPS检测的SERS光谱。在（A）10×和（B）5×稀释的苹果汁溶液中检测到pHEMA/LPS复合物。所有病例的LPS最终浓度为275 μg/mL。每个谱是FON基板上10个随机选定点中5次分析复制的平均值。激光功率为38毫瓦，积分时间为15秒。

机器学习分类效能对比：采用支持向量机（SVC）模型结合光谱原始强度数据，在10倍稀释苹果汁中实现100%分类准确率（Salmonella/O26/O111），显著优于主成分分析法（PCA，74%）和决策树（64%），且计算耗时仅2.1秒/样本，满足现场快速筛查需求。

图 7 pHEMA的PCA图65/LPS复形在10×AJ（A）和5×AJ（C）中。相应的机器学习模型比较，比较主成分（PC）和强度作为特征的使用情况，总结在表（B）和表（D）中。在模型训练和交叉验证中，80%的数据被使用，其余20%作为测试集。

3.总结

该研究构建的pHEMA-FON SERS传感器结合机器学习算法，展现出极高的灵敏度与广谱识别能力，能够实现对不同菌株LPS的精准多重区分。其核心优势在于利用pHEMA聚合物作为广谱亲和探针，通过氢键作用特异性捕获LPS，不仅简化了检测流程，还避免了传统抗体探针的高成本与低稳定性问题。同时，引入机器学习算法有效处理了复杂光谱数据，大幅提升了分类准确率，即便在果汁等复杂基质干扰下，通过适度稀释与算法优化仍能保持优异的检测性能，为食源性致病菌的现场即时检测提供了兼具高灵敏度、低成本与操作简便的创新解决方案

论文链接：https://doi.org/10.1021/acsami.5c08361