Food Research International：机器学习联合纳米颗粒纸基显色阵列，实现低水分食品中受损沙门氏菌快速识别

在食品供应链中，病原菌并不总是以“完全健康”的状态存在。受到加热、低水分等化学或物理胁迫后，部分细菌会进入受损状态，即仍可存活并保持代谢活性，却难以在选择性培养基上形成菌落。这类受损细胞在低水分食品中尤其值得警惕，因为它们在适宜条件下仍可能复苏、生长，甚至保持或增强毒力。本研究聚焦这一长期被低估的问题，尝试建立一种无需增菌、非破坏性且可连续监测的快速识别方法，用于检测低水分食品中的受损沙门氏菌。

传统沙门氏菌检测路径在这一场景下面临明显局限。常规培养法虽然可靠，但通常需要至少 5 d 且往往要依赖多步复苏和增菌；PCR、免疫法等快速技术又容易受到高脂、高蛋白食品基质干扰。更关键的是，监管和方法学验证已明确要求检测体系能够覆盖 50%-80% 受损细胞的食品样品，这使“能否识别受损菌”不再只是技术加分项，而是现实检测要求的一部分。

本研究在既有机器学习纸基显色阵列基础上，引入纳米颗粒来增强对挥发性有机物差异的响应能力，构建出机器学习驱动的纳米颗粒增强纸基显色阵列系统。其基本思路是：先利用纸基微阵列固定多种化学染料，再通过纳米颗粒增加表面积和活性位点，强化细菌挥发物与染料之间的相互作用，随后用扫描图像提取颜色变化，并交由深度前馈神经网络进行模式识别，从而在复杂食品体系中区分受损沙门氏菌、正常沙门氏菌及背景菌群。

图1. ML-NP-PCA 系统原理示意图。（A）纸基微阵列制备：通过光刻法制备纸基微阵列，作为纳米颗粒增强纸基显色阵列的基底。（B）纳米颗粒筛选：利用主成分分析筛选纳米颗粒并组装 NP-PCA。（C）样品制备：将受损沙门氏菌、正常沙门氏菌和背景菌接种到花生酱中，并暴露 NP-PCA 后在室温下储存。（D）数据采集：使用平板扫描仪获取 NP-PCA 图像，并建立包含时间点、菌种和菌量等“真实值”的数据库。（E）机器学习分析：利用集成学习率调度、L2 正则化和捷径连接的深度前馈神经网络模型识别和区分受损沙门氏菌、正常沙门氏菌和背景菌。

在纳米颗粒筛选阶段，本研究比较了金纳米颗粒、二氧化硅纳米颗粒和沸石纳米颗粒三种增强方案，并分别在约 6、3 和 1 log CFU/mL 条件下考察其区分受损与正常沙门氏菌的能力。结果显示，不加纳米颗粒的标准显色阵列在不同浓度下都存在明显类别重叠，难以稳定区分两种菌状态；相比之下，二氧化硅纳米颗粒增强阵列在三个浓度水平上都表现出最稳定、最清晰的聚类分离效果，甚至在约 1 log CFU/mL 条件下仍具有较好的判别能力，因此被选为后续系统的核心增强材料。

作者认为，二氧化硅纳米颗粒表现更优，与其表面富含硅醇基、对极性挥发物具有较强氢键和偶极相互作用有关。对于受损与正常沙门氏菌这类代谢状态不同、但并非完全不同种的目标而言，真正有价值的并不是“有无信号”，而是能否放大挥发谱上的细微差异。二氧化硅纳米颗粒显然在这一点上更具优势。

图2. 不同纳米颗粒增强显色阵列对受损与正常沙门氏菌的区分能力比较。主成分分析结果显示，在 PBS 中约 6、3 和 1 log CFU/mL 条件下，二氧化硅纳米颗粒增强阵列比金纳米颗粒、沸石纳米颗粒及未增强的标准阵列表现出更清晰、更稳定的类别分离效果。

完成材料筛选后，本研究把二氧化硅纳米颗粒增强阵列推进到真实低水分食品体系中，并选择高脂花生酱作为模型样品。研究者分别设置背景菌对照、正常沙门氏菌接种和受损沙门氏菌接种三种情形，使初始接种水平约为 3 log CFU/g，然后在室温下连续储存 48 h，并于 0、1、2、3、5、7、9、12、24、36 和 48 h 多个时间点持续获取阵列图像。同时，通过平板计数建立与时间点、菌种和菌量对应的“真实值”数据库，用于模型训练和验证。

在机器学习分析中，本研究使用了带有学习率调度、L2 正则化和捷径连接的深度前馈神经网络模型。结果显示，该系统不仅能够识别样品中是否存在沙门氏菌，还能够进一步区分其处于受损还是正常状态，并在背景菌存在条件下持续跟踪信号变化。最值得关注的是，在约 3-4 log CFU/g 浓度下，受损和正常沙门氏菌都可在 1 h 时被检测到，准确率达到 92.0±0.9%；在 48 h 的整个储存过程中，系统总体准确率保持在 90% 以上，体现出明显的连续监测能力。

图3. 二氧化硅纳米颗粒增强纸基显色阵列在花生酱中的动态响应。图中展示了该传感阵列在背景菌存在条件下，对沙门氏菌和背景菌在花生酱储存过程中的连续响应变化，用于支撑受损与正常沙门氏菌的动态识别。

这一结果的意义在于，系统不再局限于某一个固定终点检测，而是能够随着食品储存时间推移不断更新判断。这对于低水分食品尤其重要，因为受损菌的挥发性代谢物释放、恢复和增殖并不是瞬时完成的，而是具有明显时间依赖性。本研究通过时间序列成像加机器学习建模，把原本难以直接解释的颜色变化转化为可分类、可连续追踪的信号模式。

从方法学角度看，这项研究还有一个很现实的优势：它不依赖增菌培养、复杂样品前处理或破坏性取样，而是直接利用细菌在样品中释放的挥发性代谢物完成识别。对于花生酱这类高脂低水分基质而言，这种检测思路比依赖直接提取细胞或核酸的方式更不容易受到脂肪包埋和基质抑制的影响，也因此更适合做包装内或储存过程中的原位连续预警。

图4. 受损沙门氏菌与正常沙门氏菌在花生酱储存过程中的模型训练与测试准确率变化。图中给出了在背景菌存在条件下，不同时间点对受损和正常沙门氏菌进行检测与区分时的最大训练准确率和测试准确率，用于展示该方法在 48 h 连续监测中的稳定识别能力。

总体来看，本研究的核心创新并不是单纯把纳米颗粒加到显色阵列上，而是完成了“纳米颗粒增强 + 挥发物感知 + 时间序列采集 + 深度学习识别”的完整耦合，并把这一策略真正落到了监管高度关注的受损沙门氏菌检测问题上。它证明了受损菌虽然代谢较弱、挥发物释放可能更慢，但只要传感系统和算法设计足够敏感，依然能够在复杂低水分食品中实现快速区分。

综上所述，本研究开发了一种用于低水分食品中受损沙门氏菌快速识别的机器学习驱动纳米颗粒增强纸基显色阵列方法。二氧化硅纳米颗粒增强显著提升了阵列对细菌挥发物差异的感知能力，使其能够在花生酱及背景菌存在条件下，对受损和正常沙门氏菌进行早期识别和连续监测，并在 1 h 时实现约 92% 的检测准确率，在 48 h 内维持 90% 以上的整体识别表现。该方法为低水分食品中受损病原菌的无增菌、非破坏性监测提供了新的技术路径，也为更贴近监管需求的食品安全检测体系奠定了基础。

论文来源：https://doi.org/10.1016/j.foodres.2026.118523