智能传感阵列一小时识别大肠杆菌菌株并估算大肠杆菌总量

一、检测难点：发现大肠杆菌，只是第一步

大肠杆菌既是常见肠道共生菌，也是全球主要细菌性病原之一。O157:H7等致病菌株可引起腹泻和出血性结肠炎，严重时可导致溶血性尿毒综合征。由于不同菌株在遗传和表型上高度相近，食品检测不仅要回答“有没有大肠杆菌”，还要进一步判断其菌株组成与污染水平。

传统培养、免疫和核酸检测往往包含多步操作，难以在短时间内同时完成菌株级区分和定量。现有特异性传感器通常需要预先知道目标并选择相应探针；交叉反应型传感阵列虽然可凭“化学指纹”区分近缘菌株，却容易受到未知微生物、环境变化和复杂食品基质影响。本研究真正要解决的问题，是先把检测范围限定在大肠杆菌，再利用交叉响应精细区分其内部菌株，而不是简单增加传感通道。

二、平台设计：先锁定目标，再读取菌株“指纹”

研究者据此构建了三个互补的Au@Ag金银核壳等离子体传感单元。单元3表面的大肠杆菌特异性适配体用于选择性捕获和预富集多种大肠杆菌；单元2采用O157:H7多克隆抗体，在不同大肠杆菌菌株间产生半选择性差异响应；单元1利用硼酸配体与细菌表面糖链中的顺式二醇基团发生可逆结合，放大菌株间表面化学差异。每个单元均输出SERS强度、水动力粒径和ζ电位三类信号，机器学习将这些信息组合为多维“指纹”，同时用于大肠杆菌总量估算和菌株组成识别。

图1. 三单元传感阵列先锁定大肠杆菌，再放大菌株差异，并由机器学习完成菌株识别与大肠杆菌总量估算。

第一关：选择性捕获与大肠杆菌总量估算

这套平台随后在8株代表性大肠杆菌、人工配制的混合样本以及人工加标或人工污染的牛奶和牛肉样本中进行验证。论文报告，检测流程可在1小时内完成，但这些结果仍属于实验室概念验证。

研究首先评估了适配体单元3对大肠杆菌的群体选择性和大肠杆菌总量估算能力。在10¹-10⁸ CFU/mL范围内，预测浓度与标称浓度接近，各浓度组预测结果的标准差低于10%；同一浓度下不同菌株和混合物的SERS相对标准偏差低于9.5%，平均为6.8%。区分大肠杆菌与非大肠杆菌样本的ROC曲线下面积为0.99，灵敏度为95.7%，特异性为99.3%。这些结果说明该单元在论文设定条件下具有较好的对大肠杆菌的群体选择性和定量重复性。

图2. 传感器单元3对大肠杆菌的定量与选择性表现。（a）采用MPLSDA和8折交叉验证得到的预测浓度与标称浓度对比。（b）基于蒙特卡洛重采样的浓度预测分布，插图为10⁴ CFU/mL的放大结果。（c）不同浓度下对大肠杆菌和非大肠杆菌的选择性比较。（d）根据单元3响应区分大肠杆菌阳性与阴性样本的ROC曲线。

第二关：相似菌株能否形成稳定指纹

完整阵列将3个传感单元和3类读数结合起来。研究在相同菌量下比较8株大肠杆菌，包括O157:H7、EPEC、EAEC、EHEC、EIEC、ETEC、STEC和1株非致病性大肠杆菌。PCA-LDA在10²、10⁴、10⁶和10⁸ CFU/mL四个测试浓度下均形成可分离的菌株簇。不同浓度下指纹的相对形态大体保持，但绝对信号仍随菌量变化，因此不能将其理解为“完全不受浓度影响”。

图3. 多信号传感阵列区分8株大肠杆菌的能力。（a）10⁴ CFU/mL PBS中3个传感单元产生的标准化多信号响应热图。（b）各单元在10⁴ CFU/mL下的菌株依赖性响应雷达图。（c-f）PCA-LDA在不同测试浓度下的判别得分图，椭圆表示95%置信区间。

第三关：混合污染：0.1%的O157:H7能否被识别

随后，研究者测试了单株、二元、三元和五元大肠杆菌组合。在O157:H7与另一株EHEC的二元混合物中，即使O157:H7仅占混合样本总菌量的0.1%，不同配比在混合样本总浓度为10¹和10⁴ CFU/mL时仍能被区分；三元和五元组合在所测试条件下也形成独立簇。这些结果证明的是对已知菌株、既定配比和既定训练模型的识别能力，不能直接外推到未知菌株或自然形成的复杂微生物群。

图4. 混合大肠杆菌样本的多菌株分类。（a、b）O157:H7与EHEC二元混合物在不同配比下的LDA得分图，总菌量分别为10¹ CFU/mL和10⁴ CFU/mL。（c）单株、二元、三元和五元组合的区分结果。（d）不同浓度下混合样本的分类结果，显示平台在所测试条件下可同时编码组成和浓度信息。

第四关：食品样本：分型表现较强，定量更易受基质影响

食品样本验证需要分开理解。首先，研究对30份10⁴ CFU/mL人工加标牛肉盲样进行测试，大肠杆菌浓度分级准确率为80%（24/30），而KNN对菌株或混合组成的分类未出现误判，准确率为100%。其次，在40份无菌牛奶人工加标样本（10¹-10⁸ CFU/mL）中，37份浓度分级正确，准确率为92.5%，菌株组成分类准确率为100%。最后，在含背景菌的人工污染牛肉样本中，菌株分类准确率接近100%，但大肠杆菌浓度分级准确率仅50.8%，说明复杂肉类基质和背景微生物会明显削弱定量性能。

研究还比较了PLS、SVM、决策树和KNN四种算法，KNN综合表现最佳。模型在高于10³ CFU/mL时达到100%分类准确率；在较低浓度下仍超过80%，但会出现误分类。

图5. 传感阵列在人工污染食品样本中的表现。（a）无菌牛奶中三元大肠杆菌混合物的浓度预测。（b）牛肉样本人工接种前后在紫红胆汁琼脂（VRBA）上的菌落。（c、d）10⁴ CFU/mL人工污染牛肉中不同大肠杆菌状态的KNN混淆矩阵。

三、科学价值与现实边界：它新在哪里，还差哪一步

总体来看，这项工作的创新不在于某一种探针，而在于把“对大肠杆菌的选择性富集”和“菌株间交叉响应”组合起来：适配体先限定大肠杆菌的检测范围，抗体和硼酸配体再提供菌株差异信息，SERS强度、水动力粒径和ζ电位经机器学习整合为可用于识别和定量的指纹。在论文设定的代表性菌株和人工污染样本中，平台可在1小时内获得结果，显示出快速食品安全筛查潜力。

不过，该平台目前仍处于概念验证阶段。研究样本主要是人工加标或人工污染食品，菌株种类与样本量有限；分类依赖预先建立的训练数据库，未知菌株仍可能超出模型；低菌量会增加误分类，复杂牛肉样本的浓度分级准确率仅50.8%；检测还需要离心、SERS、DLS和ζ电位测量，并非已经实现的一体化便携现场设备。未来需要在自然污染样本、更多食品基质和更广泛菌株库中开展独立盲法验证，并进一步简化样本处理与仪器配置。该策略理论上可扩展至其他病原体，但必须重新设计识别元件并完成针对性验证，不能直接推定适用于临床微生物检测。

原文链接：https://doi.org/10.1021/acs.analchem.6c01811