智能侧流免疫分析，机器学习+MOF实现超敏检测

铜绿假单胞菌是一种普遍存在的机会性病原体，广泛分布于水系统、土壤和食品加工环境中，已成为一种关键食源性致病菌，对全球食品安全和公共卫生构成严重威胁。该病原体可引起多种感染，是医院获得性感染的主要病原体之一。传统细菌培养法虽然是检测食源性病原体的金标准，但耗时、操作繁琐且高度依赖实验室设施，不适合快速检测。分子诊断技术如聚合酶链式反应灵敏度高，但依赖昂贵的仪器和专业人员，限制了其大规模现场应用。免疫测定方法如酶联免疫吸附测定也表现出良好的灵敏度，但其对受控实验室环境的依赖限制了其在床旁检测中的应用。相比之下，侧向流动免疫分析作为一种有前景的POCT平台，因其操作简单、检测快速、成本低和便携性好而受到极大关注。然而，传统的基于金纳米粒子的LFIA系统灵敏度通常不足，阻碍了其在感染早期检测痕量水平的病原体。提高信号报告分子的性能被认为是提高LFIA灵敏度的关键方法。金属有机框架材料因其可调谐的孔结构和大比表面积，被用作各种纳米材料的负载载体，并已成功应用于POCT平台以提高分析灵敏度。然而，MOF材料在实际应用中仍存在稳定性、选择性和抗基质干扰等挑战。将聚集诱导发光特性整合到MOF中，可以赋予这些材料优异的光稳定性和增强的亮度。同时，机器学习在快速诊断领域显示出显著优势，但将MAFs与机器学习结合以智能优化LFIA平台的研究仍显不足。

本研究旨在开发一种基于MAF-1的机器学习辅助LFIA平台，用于铜绿假单胞菌的超灵敏、快速、智能检测。

研究内容

图1.MAFs的制备与表征

通过简单的一锅水热法，通过调控不同的AIE配体成功合成了三种形态各异的MAFs。当使用TCPE作为配体时，合成的MAF-1呈现由纳米片自组装形成的花状结构，平均粒径约170nm，具有高比表面积和多孔特性。使用H4ETTC和H4BPETC则分别得到棒状和球形颗粒。配体的羧基密度和臂刚度协同调控成核动力学和生长方向，是决定MAF形态的关键因素。TEM和XRD证实了MAF-1的高结晶度。XPS分析了元素组成和化学状态。光学性能研究表明，MOF的空间限域效应有效抑制了AIE分子的分子内旋转和振动，显著降低了非辐射能量耗散，从而大幅提高了MAF-1的量子产率和荧光寿命，使其发射效率和稳定性得到增强。

图2.MAF-mAb探针的表征

将三种制备的探针应用于LFIA系统进行评估，MAF-1基试纸条显示出最亮、最清晰的条带，表明其灵敏度、特异性和生物相容性最优，因此被选为后续检测的最佳探针。通过紫外可见光谱、傅里叶变换红外光谱、BCA蛋白测定和Zeta电位分析，证实了单克隆抗体通过静电吸附和范德华力成功结合到MAF-1表面。pH优化实验表明，在pH5时T线荧光强度最高，是探针结合的最佳pH。荧光光谱显示抗体结合未显著改变MAF-1固有的发光特性，且探针表现出优异的抗光漂白性和光稳定性，在24天内检测信号保持稳定。

图3.MAF-1基LFIA的原理与条件优化

样品与探针混合后，形成的免疫复合物在试纸条上迁移。阳性样本中，复合物被T线抗体捕获产生蓝色荧光信号；阴性样本中，探针被C线捕获。对样品稀释液pH、样品垫类型、T线抗体包被浓度、MAF-1浓度、抗体标记量和探针体积等关键参数进行了系统优化，确立了最佳条件，以提高系统的整体灵敏度和可靠性。

图4.MAF-1-LFIA的分析性能评估及在实际样品中的检测

MAF-1-LFIA在10分钟内实现了快速检测，对铜绿假单胞菌的检出限低至10CFU/mL。在1×10²至1×10⁶CFU/mL范围内具有良好的线性关系。与传统的AuNPs-LFIA、TRFM-LFIA和HRP-ELISA方法相比，灵敏度分别提高了约100倍、100倍和10倍。特异性分析表明，MAF-1-LFIA能选择性识别铜绿假单胞菌，对其他细菌的交叉反应可忽略不计。

在自来水和牛奶样品中进行了加标检测。两种样品均达到了10CFU/mL的检出限。在自来水样品中，回收率为98.78%-104.47%，RSD为5.02%-7.51%；在牛奶样品中，回收率为98.23%-106.82%，RSD为3.11%-8.34%。结果表明，所建立的方法在复杂食品基质中表现出稳健的性能和高可靠性。

图6.机器学习分析

使用智能手机获取试纸条图像，提取T线和C线的RGB值作为特征输入。采用多层感知机、随机森林和支持向量机等多种模型进行训练和评估。对于分类任务，MLP和SVM模型对铜绿假单胞菌的预测准确率达到100%。对于浓度预测，RF模型表现最佳，R²为0.9999。Bland-Altman分析和相关性分析进一步证实了RF模型在定量评估中的高可靠性。该机器学习辅助协同分析策略在病原体的准确分类和定量方面表现出卓越性能。

本研究成功开发了一种用于铜绿假单胞菌智能、超灵敏检测的机器学习辅助MAF-1-LFIA平台。通过精确调控AIE配体的羧基密度和臂刚度，合成了三种具有不同发光特性的MAFs，其中MAF-1在集成到LFIA系统中时表现出最佳的分析性能。所开发的MAF-1-LFIA在10分钟内实现了快速检测，检出限低至10CFU/mL，与常规方法相比灵敏度显著提高。在实际水样和牛奶样品中表现出优异的准确性、稳定性和重现性。通过采用MLP或SVM算法作为分类器，RF算法作为回归模型，构建了机器学习辅助的MAF-1-LFIA智能诊断系统，实现了对检测信号的高效分类和精确定量分析。机器学习算法的整合显著促进了LFIA技术的智能化升级，为高通量和自动化的病原体诊断铺平了道路。未来，移动应用程序的集成可促进实时数据采集和用户友好的分析。总体而言，该工作提出了一种将MAFs材料与人工智能相结合的高性能检测策略，为开发下一代智能POCT生物传感器开辟了道路。

原文链接：https://doi.org/10.1016/j.cej.2026.173744