智能“嗅探” 即刻“透视”：机器学习驱动新型传感器守护食品供应链

在食品供应链中，沙门氏菌等食源性病原体常因加热、干燥等加工过程而遭受“亚致死损伤”。受伤细胞并未死亡，仍具代谢活性，一旦遇到适宜条件（如消费者储存不当）便可复苏、增殖，甚至保留或增强其致病性，对公共健康构成重大威胁。低水分食品更是受伤病原体的潜在“避风港”，因其低水环境本身就会诱导细胞损伤，并有利于细菌长期存活。然而，检测食品中的受伤细菌面临巨大挑战。传统的培养法耗时长达5天以上，且需要复杂步骤来复苏受伤细胞；而PCR等快速方法同样依赖于受伤细胞的充分恢复，并易受食品基质中抑制物的干扰。因此，美国官方分析化学家协会和食品药品监督管理局建议，微生物学方法的验证应使用含有50－80%受伤细胞的食品基质，这凸显了开发能够直接、快速检测受伤病原体的新技术的紧迫性。

1. 创新系统设计：集成纳米颗粒与机器学习

本研究构建了一个完整的“机器学习驱动的纳米颗粒增强纸色谱阵列传感器”（ML-NP-PCA）系统。整个过程如Figure 1所示，主要包括：(A) 通过光刻法制备纸质微阵列作为传感器基底；(B) 筛选能增强传感器性能的纳米颗粒（NP）并组装成NP-PCA；(C) 用含有受伤/正常沙门氏菌及背景菌群的花生酱样品暴露传感器；(D) 扫描获取传感器颜色变化图像并收集细菌种类、数量的“真实值”数据以构建数据库；(E) 使用深度前馈神经网络（DFFNN-LSL2SC）模型分析数据库，实现病原体的识别与区分。

Figure 1  ML-NP-PCA系统示意图。

2. 筛选关键增强材料：硅纳米颗粒表现最佳

研究评估了金、硅和沸石三种纳米颗粒对传感器性能的提升效果。Figure 2展示了通过主成分分析对传感器响应数据的可视化结果。在磷酸盐缓冲液中，面对不同浓度的受伤与正常沙门氏菌，标准传感器的数据点严重重叠，无法区分两者。而在三种NP-PCA中，硅纳米颗粒增强的传感器表现最为稳健和一致，能在1－6 log CFU/mL的宽浓度范围内，清晰地将受伤与正常沙门氏菌的数据点分离成簇。相比之下，金和沸石纳米颗粒传感器的区分能力有限或不稳定。因此，研究选择硅纳米颗粒进行后续所有实验。

Figure 2  使用金纳米颗粒、二氧化硅纳米颗粒和沸石纳米颗粒增强的PCA（NP-PCA）以及未添加纳米颗粒的标准PCA，在PBS中对浓度为6 log CFU/mL。

3. 真实食品基质验证：传感器呈现特征性响应

将硅NP-PCA用于检测接种了受伤或正常沙门氏菌的花生酱（含背景菌群）。Figure 3展示了传感器暴露于含受伤沙门氏菌的花生酱后，随时间推移的代表性光学图像，多个染料点发生了肉眼可见的颜色变化，表明传感器与细菌释放的特定挥发性有机化合物（VOCs）发生了反应。为了更精细地展示差异，研究将颜色变化量化为颜色差异图。在储存期间，针对正常沙门氏菌、受伤沙门氏菌以及仅有背景菌群的对照组，传感器均产生了独特且可区分的颜色变化模式。正常沙门氏菌组的响应通常早于受伤组，这可能与两者细菌浓度、代谢活性及释放VOCs的差异有关。

Figure 3  NP-PCA对接种/未接种沙门氏菌的花生酱样品在储存期间的响应。

4. 机器学习精准解码：实现连续高精度检测与区分

传感器产生的颜色模式复杂，肉眼难以精确解析。因此，研究采用DFFNN-LSL2SC机器学习模型来自动分析颜色变化数据。如Figure 4所示，该ML-NP-PCA系统在整个48小时室温储存期间，区分花生酱中受伤与正常沙门氏菌的测试准确率。结果表明，从第1小时起，系统就能以92.0±0.9%的准确率进行检测和区分，并且在后续所有检测时间点（1h－48h），准确率均保持在90%以上，最高可达99.6±0.4%（48h）。这证明了该方法能够对受伤沙门氏菌进行准确、连续的监测。

Figure 4 机器学习在48小时储存期内识别花生酱中正常沙门氏菌、受损沙门氏菌和背景菌群的性能表现。

本研究成功开发并验证了一种名为ML-NP-PCA的新型检测策略，用于解决低水分食品中受伤沙门氏菌这一棘手的安全监测难题。该方法的核心优势在于：快速（最快1小时出结果）、精准（准确率>90%）、无创且无需富集，避免了传统方法耗时长、可能漏检受伤细胞的缺点。其成功得益于两大创新结合：一是利用硅纳米颗粒有效增强了传感器对受伤细菌释放的微弱挥发性信号的捕获与区分能力；二是借助先进的机器学习算法（DFFNN-LSL2SC）对复杂的传感器响应模式进行智能解码，从而实现自动化、高精度的判别。这项工作不仅为食品供应链中受伤病原体的实时、在线监控提供了一种强有力的潜在工具，而且其设计理念（使用含受伤细胞的基质进行验证）也与AOAC和FDA的监管推荐高度契合，增强了技术的实用性与合规性前景。论文最后也指出了未来的研究方向，包括评估该方法对更低污染水平（如10 CFU/g）的检测能力、扩展至同时检测多种受伤病原体及其不同血清型，以及考察传感器材料的长期稳定性等，以进一步推动该技术走向实际应用。

原文doi: https://doi.org/10.1016/j.foodres.2026.118523