创新30种染料VOC传感器阵列助力伤口感染快速识别与细菌定量

一、背景与技术原理

感染性伤口是临床治疗中的重要难题。传统细菌检测方法通常依赖培养、分子检测或代谢物分析，虽然结果较为可靠，但往往需要侵入性取样，检测周期较长，也可能增加患者不适。相比之下，基于VOC的检测方法可通过分析细菌代谢过程中释放的挥发性分子，实现非接触式、快速化识别。

本研究构建的CSA由30种VOC敏感染料组成，染料点固定在PVDF膜上，形成6×5阵列。当细菌释放的VOC与不同染料发生作用后，阵列会产生特征性的颜色变化。研究人员通过采集暴露前后的图像，提取RGB信号，并结合欧氏距离、层次聚类分析（HCA）和主成分分析（PCA）对不同细菌类型进行判别。传感器具有低成本、便携、无需外部电源、响应速度快等特点，并在温度、湿度和长期储存稳定性方面表现出较好稳定性。

图1：CSA结构、检测流程及离体猪皮伤口模型示意图。

二、细菌识别与多介质验证

研究分别在三种培养环境中验证CSA的识别能力：LB琼脂培养基、LB肉汤培养基和离体猪皮伤口模型。检测对象包括大肠杆菌、铜绿假单胞菌和金黄色葡萄球菌，同时还设置了多菌混合组合，包括大肠杆菌+金黄色葡萄球菌、大肠杆菌+铜绿假单胞菌、金黄色葡萄球菌+铜绿假单胞菌，以及三种细菌共同混合的组合。

结果显示，在该实验条件下，CSA可在1小时内对单菌和混合菌组合进行准确分类，在琼脂、肉汤和离体猪皮三种介质中的分类准确率均达到100%。这一结果说明，细菌生长基质虽然会影响VOC释放背景，但30种染料构成的阵列仍能捕捉到具有区分度的综合颜色响应模式。特别是在离体猪皮伤口模型中的验证，进一步提高了该方法与真实伤口环境之间的相关性。研究还测试了未清洁猪皮表面以及表皮葡萄球菌等非目标菌的影响，结果显示CSA能够区分目标致病菌与部分背景微生物产生的VOC信号，提示其具有一定选择性。不过，这一结论仍基于有限菌种和离体模型，未来仍需在更复杂的临床样本中进一步验证。

图2：琼脂和LB肉汤培养条件下单菌及混合菌的HCA分类结果。

图3：离体猪皮伤口模型中单菌及混合菌的HCA和PCA分类结果。

三、细菌定量与检测限评估

除细菌分类外，该研究还评估了CSA在离体猪皮伤口模型中的细菌定量能力。研究人员通过建立细菌数量与阵列平均颜色差异之间的校准曲线，实现了对大肠杆菌、金黄色葡萄球菌和铜绿假单胞菌的定量分析。其线性检测范围约为1.65×10⁵至5.3×10⁶ CFU/cm²，对应约1.3×10⁵至4.4×10⁶ CFU/g。

检测限方面，大肠杆菌、金黄色葡萄球菌和铜绿假单胞菌的检测限分别约为3.8×10⁴、5.0×10⁴和5.7×10⁴ CFU/cm²，对应约3.1×10⁴、4.1×10⁴和4.7×10⁴ CFU/g。这些数值低于文献中常用的伤口感染早期阈值10⁵ CFU/g，说明该传感器在早期感染监测方面具有潜在应用价值。

图4：猪皮伤口模型中的细菌定量校准曲线。

四、GC-MS验证与临床转化意义

为验证CSA识别结果的化学基础，研究人员进一步采用GC-MS分析离体猪皮伤口模型中不同细菌释放的VOC。结果共鉴定出29种VOC，不同细菌在VOC种类和相对丰度上表现出差异性。层次聚类结果显示，GC-MS数据也能将不同细菌样本区分开，说明CSA的颜色响应并非随机变化，而是与细菌特异性VOC谱有关。

与GC-MS相比，CSA不能直接给出具体化合物的精确定性结果，但它具有操作简单、成本较低、响应快速和便携性强等优势，更适合作为床旁检测、家庭护理或资源有限场景中的快速筛查工具。未来如果进一步结合标准化图像采集、算法判读和创面敷料集成，该技术有望发展为与伤口敷料或智能手机读数组合的便携式感染监测平台。

图5：GC-MS VOC分析及HCA聚类结果。

综上，该研究提出了一种基于30种染料VOC响应的比色传感器阵列，可在1小时内实现伤口相关细菌的快速、非侵入式识别，并能区分单菌和多菌混合培养组合。该传感器在琼脂、肉汤和离体猪皮伤口模型中均表现出较高分类准确率，同时可对细菌负荷进行定量分析。GC-MS结果进一步证明，不同细菌具有差异性的VOC释放特征，为CSA识别提供了化学依据。不过，该研究仍属于受控离体模型验证，尚需在工程化皮肤模型、动物伤口感染模型及人体样本中进一步验证其灵敏度、特异性和实际适用性。

原文链接：https://doi.org/10.1016/j.cej.2026.172680