机器学习驱动纳米增强纸基传感技术：精准识别低水分食品中亚致死损伤沙门氏菌

研究背景

低水分食品（水分活度 aw≤0.85）如花生酱、坚果、谷物等，因无需烹饪即食、保质期长，在供应链中广泛流通。沙门氏菌是此类食品高频暴发致病菌，感染剂量低至 1–10 个细胞即可致病。加工中的干燥、加热等胁迫易使沙门氏菌进入亚致死损伤状态：细胞未死亡、具代谢活性，在选择性培养基不生长，但在非选择性培养基可复苏、增殖，部分菌株毒力甚至增强，构成严重公共卫生隐患。

AOAC 与 FDA 明确要求，微生物方法验证需采用含 50%–80% 损伤细胞的基质，凸显损伤菌检测的法规必要性。传统培养法需≥5 天、多步增菌，PCR、ELISA 等快速方法依赖损伤菌复苏，易受食品基质中脂肪、蛋白等抑制剂干扰，难以实现损伤菌与正常菌的快速、无损区分。纸基显色阵列通过识别病原菌挥发性有机物（VOCs）产生特征色板，具备低成本、便携优势，但常规阵列对损伤菌微弱 VOC 信号识别不足，亟需纳米增效与智能算法升级。

研究内容

研究团队构建ML‑NP‑PCA一体化检测系统，流程覆盖芯片制备、纳米筛选、样品验证、数据采集与机器学习建模五大环节：

1.纸基微阵列制备：采用光刻法在色谱纸上构建亲水检测孔与疏水阻隔区，制成 3×3 阵列芯片，无毒且可室温储存。

2.纳米增效剂筛选：对比金、二氧化硅、沸石三种纳米颗粒，通过主成分分析评估对显色阵列的信号增强与区分能力，优选最佳增效材料。

3.菌株与样品制备：以肠炎沙门氏菌为对象，60℃热处理制备亚致死损伤菌；以市售花生酱为低水分食品模型，设置背景菌群、正常菌、损伤菌三组接种方案，模拟真实污染场景。

4.动态响应采集：将纳米增强阵列置于样品顶空，室温连续监测 48 小时，用平板扫描仪获取色变图像，提取 RGB 差值构建标准化数据库。

5.机器学习建模：采用集成学习率调度、L2 正则与捷径连接的深度前馈神经网络（DFFNN‑LSL2SC），经五折交叉验证，实现菌群种类与状态精准判别。

图 1. ML-NP-PCA 系统示意图。(A) 微阵列制备：采用光刻法制作纸质微阵列，作为 NP-PCA 制作的基底。(B) 纳米颗粒选择：使用主成分分析方法选择纳米颗粒并组装 NP-PCA。(C) 样品制备：将花生酱接种受损_Sal、正常_Sal 和 BK，然后暴露于 NP-PCA 并在室温下储存。(D) 数据收集：使用平板扫描仪获取 NP-PCA 图像及相应的“真实”数据（即时间点、细菌类型和细菌数量），并构建数据库。(E) 机器学习分析：通过分析构建的数据库，使用 DFFNN-LSL2SC 模型识别和区分受损_Sal、正常_Sal 和 BK。ML: 机器学习；NP: 纳米颗粒；PCA: 纸质显色阵列传感器；受损_Sal: 受损沙门氏菌；正常_Sal: 正常沙门氏菌；BK: 背景微生物群；DFFNN-LSL2SC: 集成学习率调度、L2 正则化和短接连接的深度前馈神经网络。

图2. 使用金、二氧化硅和沸石纳米颗粒增强的主成分分析（NP-PCAs）与未使用纳米颗粒的标准主成分分析（PCAs）检测和区分PBS中正常和受损沙门氏菌的情况，浓度分别为6 log CFU/mL (A)、3 log CFU/mL (B) 和1 log CFU/mL (C)。

研究结果

1.纳米增效筛选：三种纳米颗粒中，二氧化硅纳米颗粒增效最优。在 PBS 体系 1–6 log CFU/mL 宽浓度范围，可清晰聚类区分正常与损伤沙门氏菌；金纳米颗粒在低浓度失效，沸石纳米颗粒高浓度区分能力差，均未入选。

2.菌株存活特性：室温 48 小时内，正常沙门氏菌在花生酱中稳定存活；损伤菌种群从 3.49±0.03 log CFU/g 降至 1.76±0.02 log CFU/g，仍保持代谢活性；背景菌群数量无显著波动。

3.阵列动态响应：二氧化硅增强阵列对不同菌群 VOCs 产生特异性色变，正常菌响应快于损伤菌，色板模式可直观区分三组样品，肉眼难辨的微弱差异可通过色差图谱量化呈现。

4.检测性能：ML‑NP‑PCA 在 1–48 小时全程测试准确率超 90%；1 小时即可实现 3–4 log CFU/g 水平检出，准确率达 92.0±0.9%；36 小时准确率 97.3±1.3%，48 小时达 99.6±0.4%，在背景菌群干扰下仍保持高稳定性。

图3. NP-PCA对接种或未接种沙门氏菌的花生酱样品随存储时间变化的响应。(A) NP-PCA在接触受损沙门氏菌（injured_Sal）接种的花生酱后的代表性光学图像。(B) 色差图显示在整个存储期间，接种正常沙门氏菌（normal_Sal）、受损沙门氏菌（injured_Sal）以及仅含背景微生物的未接种对照（BK）样品的NP-PCA颜色变化。

图4.（A）ML在48小时储存期间识别正常沙门氏菌、受损沙门氏菌及背景微生物群的表现。蓝色和红色菱形代表“折叠”训练准确度和“折叠”测试准确度，均通过五重交叉验证获得。位于大约直角阚区内的白色圆圈，分别是整体训练准确率（由五重交叉验证中五个折叠训练准确度值的平均值计算）和整体测试准确性（折叠测试准确度的平均值）。（B） 代表性训练（蓝实线）和测试（红实心直线）准确曲线，随着迭代次数增加，存储2小时;阴影区域表示跨五个折的标准误。（C）2小时训练和测试的代表性损失曲线，阴影区域表示标准误。BK：背景微生物群;Injured_Sal：沙门氏菌受伤;Normal_Sal：正常沙门氏菌。

技术优势

1.免增菌、无损检测：不破坏样品、无需前处理，直接顶空识别 VOCs 信号，适用于在线、原位监控。

2.纳米信号放大：二氧化硅纳米颗粒通过氢键、偶极作用富集极性 VOCs，提升阵列灵敏度与信号强度，解决损伤菌 VOC 释放弱的难题。

3.智能精准判别：深度学习算法解码复杂色变模式，克服人工目视误差，实现正常菌、损伤菌、背景菌群三通道同时区分。

4.合规与高效：满足法规对损伤菌检测的验证要求，1 小时快速初筛，48 小时连续监控，大幅缩短检测周期、降低成本。

5.基质适应性强：在高脂肪、低水分的复杂基质中抗干扰能力突出，可拓展至坚果、奶粉、谷物等多类低水分食品。

结论与展望

此研究成功开发ML‑NP‑PCA新技术，首次实现低水分食品中亚致死损伤与正常沙门氏菌的免增菌、快速、连续、无损检测，全程准确率超 90%，1 小时即可完成初筛，为破解低水分食品损伤致病菌漏检难题提供全新方案，有力支撑供应链全程安全监管与法规合规检测。

未来研究将聚焦四大方向：一是降低检出限，实现 10 CFU/g 以下低水平污染精准识别；二是拓展应用场景，覆盖大肠杆菌 O157:H7、单增李斯特菌等多种损伤致病菌；三是开展血清型分型研究，实现高风险血清型精准判别；四是系统评估阵列化学稳定性与食品接触安全性，推动技术从实验室走向产业化应用，为全球低水分食品质量安全提供智能化、标准化检测支撑。

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