研究背景

室内真菌污染是威胁人类健康的重要生物危害，曲霉属、枝孢属、青霉属等丝状真菌广泛存在于室内微环境中，其释放的孢子和挥发性代谢产物易引发呼吸道刺激、过敏反应等健康问题，世界卫生组织明确指出即使低浓度霉菌也存在健康风险。传统检测方法难以发现墙体、暖通空调系统等隐蔽区域的真菌生长，而微生物挥发性有机化合物（MVOCs）作为真菌代谢副产物，是实现真菌污染早期、无创检测的理想标志物，乙醇、2 - 丁酮、苯被证实为与室内真菌代谢直接或间接相关的特征 MVOCs。

当前微型气体传感器虽实现了 VOCs 实时检测，但在复杂室内环境中对特定 VOCs 的分辨能力不足；金属有机框架（MOFs）虽具备可调孔隙率和良好的 VOC 吸附性，但其本征导电性差的缺陷限制了传感应用，而将其与多壁碳纳米管（MWCNTs）复合可实现化学选择性与导电性的协同提升。同时，机器学习技术为解析传感器高维数据、提升检测选择性和预测精度提供了有效手段，二者结合成为解决室内真菌 VOCs 检测难题的重要方向。

 研究内容

研究团队设计了由 ZIF-8/MWCNT、Cu-BTC/MWCNT、UiO-66/MWCNT 三种复合材料构建的多模态传感阵列，分别适配石英晶体微天平（QCM）、电阻传感器（RS）、电化学阻抗谱（EIS）三种传感平台，形成重量、电阻、电化学三种检测模式的互补。通过改进的声化学和溶剂热法合成三种复合材料，利用高分辨率场发射扫描电镜、X 射线衍射仪、紫外 - 可见光谱等手段完成物相、形貌、带隙等理化特性表征，并采用气刷喷涂法将复合材料精准涂覆于对应传感器基底。

研究设置了单种 VOCs 检测、混合 VOCs 检测、真菌培养顶空 VOCs 检测三组实验，以乙醇、2 - 丁酮、苯为目标检测物，以曲霉、枝孢、青霉三种常见室内真菌为研究对象，同时设置无真菌接种的空白对照。利用气相色谱 - 质谱联用（GC-MS）分析真菌不同生长阶段的 VOCs 释放特征，为传感检测提供基准；通过质量流量控制器、注射泵等构建标准化气体检测体系，对传感器响应信号进行归一化处理后，引入机器学习算法开展数据解析：采用随机森林模型进行单种 VOCs 分类，CatBoost 回归模型实现混合 VOCs 浓度定量，CatBoost 分类模型结合主成分分析（PCA）完成真菌 VOCs 与对照气体的判别，并通过 10 折交叉验证优化模型性能。

图1. (a) ZIF-8/MWCNT、Cu-BTC/MWCNT 和 UiO-66/MWCNT 的紫外-可见吸收数据，(b) 由紫外-可见吸收数据推导出的塔克图。

图2. MOF/MWCNT复合材料的场发射扫描电子显微镜（FESEM）图像。每种复合材料分别显示低倍和高倍放大图像（10,000 × 和 300,000 ×）：(a, b) ZIF-8/MWCNT，(c, d) Cu-BTC/MWCNT，(e, f) UiO-66/MWCNT。图(b)、(d)和(f)的高分辨率图像显示了形貌特征，包括MOF颗粒尺寸和MWCNT直径，证实了每种杂化复合材料中MWCNT的结构完整性和有效分散性。

研究结果

理化表征证实三种 MOF/MWCNTs 复合材料均成功合成，且 MWCNTs 的引入未破坏 MOFs 的结晶性，复合材料带隙介于纯 MOFs 与 MWCNTs 之间，导电性得到显著提升，其中 ZIF-8/MWCNT 带隙为 2.58 eV、Cu-BTC/MWCNT 为 3.42 eV、UiO-66/MWCNT 为 3.20 eV；扫描电镜显示 MOF 颗粒均匀分散于 MWCNTs 间，颗粒尺寸分别为 48.24±11.16 nm、37.94±17.03 nm、46.38±6.86 nm，喷涂涂层厚度均匀，具备良好的制备重现性。

传感检测与机器学习分析显示，该平台展现出优异的检测性能：单种 VOCs 检测中，随机森林模型分类准确率达 95%，Kappa 值 0.9225；混合 VOCs 浓度预测中，CatBoost 回归模型对 2 - 丁酮的拟合优度 R² 达 0.93，苯为 0.79，乙醇为 0.59；真菌 VOCs 判别中，经 PCA 降维后 CatBoost 分类模型可精准区分真菌释放气体与对照气体，准确率达 96.3%，Kappa 值 0.924。GC-MS 分析发现，三种真菌的 VOCs 释放量和多样性在培养第 2 天达到峰值，随后下降并在第 5 天出现二次增长，与真菌生长的指数期和稳定期代谢规律一致。此外，传感器阵列在 100% 相对湿度的高湿环境下无明显信号漂移和失效，展现出良好的实际应用耐受性。

图3. (a) 混淆矩阵显示了随机森林模型在基于多模态传感器响应区分单一挥发性有机化合物（VOC）方面的分类准确性。(b) 用于基于随机森林的单一VOC分类的输入变量相对重要性，包括归一化传感器响应值（Res_QCM, Res_DC, Res_EIS）、响应时间（Res_t_QCM, Res_t_DC, Res_t_EIS）、各传感器模态（即QCM, DC电阻和EIS）的恢复时间（Rcv_t_QCM, Rcv_t_DC, Rcv_t_EIS）。

图4. 六边形密度图比较实际浓度与CatBoost预测的各挥发性有机化合物（VOCs）浓度，（a）乙醇，（b）2-丁酮，以及（c）苯，这些数据来自混合气体传感实验。x轴表示测量浓度，y轴表示模型预测值。相关性越高，预测精度越高。图(d)、(e)和(f)显示CatBoost回归模型对乙醇、2-丁酮和苯的变量重要性排序。每个图展示了传感器输入特征的贡献，包括标准化传感器响应值（Res_QCM, Res_DC, Res_EIS）、响应时间（Res_t_QCM, Res_t_DC, Res_t_EIS）和恢复时间（Rcv_t_QCM, Rcv_t_DC, Rcv_t_EIS），覆盖每种传感器模式，即QCM、电阻（DC）和电化学阻抗谱（EIS）。

图5. (a) PCA双标图 (PC1 = 47.2%, PC2 = 22.9%) 展示了基于传感器阵列响应的真菌气体样品与对照气体样品的分离情况。向量表示变量贡献，包括 QCM (Q) 的传感器响应时间 (res_t) 和恢复时间 (rec_t)，以及直流电阻 (D) 和电化学阻抗 (EIS, E)。 (b) 混淆矩阵显示了 CatBoost 模型在基于 PCA 降维的传感器响应特征区分真菌气体与对照条件时的分类性能。

技术优势

该技术的核心优势体现在多维度的协同创新：一是材料复合的协同效应，将 MOFs 的高 VOC 吸附选择性与 MWCNTs 的优异导电性结合，解决了纯 MOFs 导电性差的问题，实现了信号的高效转导；二是多模态传感的互补性，整合重量、电阻、电化学三种检测模式，生成丰富的多维传感数据，为后续机器学习分析提供了充足特征；三是机器学习的智能解析能力，通过针对性选择分类和回归模型，有效解决了传统传感器在复杂气体环境中选择性不足的难题，实现了从单种到混合 VOCs、从标准气体到实际真菌释放气体的精准检测；四是无创检测与环境耐受性，以真菌 VOCs 为检测标志物，无需接触真菌生长本体即可实现隐藏污染识别，且传感器可在高湿环境下稳定工作，契合室内真菌污染的实际环境特征；五是可规模化潜力，复合材料合成与传感器制备工艺简单，喷涂法具备批量制备可行性，为后续产业化奠定了基础。

结论与展望

该研究成功构建了 MOF/MWCNTs 复合材料与机器学习深度融合的多模态传感平台，首次实现了基于气体相信号的室内真菌污染数据驱动型间接检测，验证了该技术在真菌 VOCs 识别、定量中的可行性。该平台突破了传统检测方法的局限性，实现了无创、实时、高精准的真菌污染检测，为室内空气质量监测提供了全新的技术路径，尤其适用于医院、日托中心、图书馆、养老机构等易感人群集中的高风险场所。

研究团队表示，未来将围绕两大方向开展后续研究：一是推进 MOF 复合材料的规模化合成工艺优化，降低制备成本，提升材料批次稳定性；二是开发便携式检测设备，整合传感阵列、信号采集模块和机器学习算法，实现设备的小型化、智能化，推动该技术在建筑暖通系统、潮湿易污染区域等场景的现场快速检测与早期预警应用。该技术的落地将助力构建更智能、更健康的建筑室内环境，为微生物污染的主动防控提供重要技术支撑，在室内环境治理、公共卫生防护等领域具有广阔的应用前景。

原文链接：https://doi.org/10.1016/j.jhazmat.2026.141493