从分子结构到手机判别，荧光探针追踪肉类新鲜度

肉类在加工、储存和流通过程中容易受到微生物污染以及内源性酶活动的影响，随后出现品质下降和腐败。尸胺、腐胺和组胺等生物胺是蛋白质和氨基酸被微生物分解后形成的代谢产物，常被用作肉类变质的指标。现有色谱等方法能够提供较准确的检测结果，但通常需要复杂的样品处理、昂贵的仪器和经过培训的操作人员。对于需要快速筛查的市场、运输和储存场景，如何在不破坏样品的情况下完成现场判断，仍是食品安全检测中的一个实际问题。

荧光探针具有响应快、操作简单和便于现场使用等特点，但单一发光信号容易受到背景和环境因素干扰，肉眼也难以准确分辨细微的颜色变化。本研究把关注点放在D-π-A型荧光分子的π桥上，分别以三苯胺作为电子供体、1,3-茚满二酮作为电子受体，并引入吡啶、苯和呋喃三种共轭桥，设计了TPPID、TPBID和TPFID三种探针。研究重点不是简单更换识别基团，而是比较π桥的电子性质和结构如何影响分子的电荷转移、发光行为以及对尸胺的反应。

图1. （a）用于尸胺检测的探针分子设计概念；（b）TPPID、TPBID和TPFID的HOMO-LUMO能级及相应电子密度分布能级图；（c）TPPID、TPBID和TPFID的固态荧光光谱；（d）TPPID、TPBID和TPFID的静电势表面图。

分子计算和光谱结果显示，π桥的电子效应会改变探针分子内部的电子离域程度。TPFID中的呋喃桥具有较强的给电子特征，电子可以更充分地从三苯胺供体延伸到π桥，因而表现出更长波长的固态发射；TPPID中的吡啶桥具有吸电子特征，TPBID中的苯桥则处于两者之间。三种探针的固态发射峰分别位于583、636和693 nm。计算结果还显示，尸胺更容易进攻与茚满二酮相连双键的β碳，三种探针对尸胺的预期反应活性顺序为TPPID、TPBID、TPFID。由此可见，π桥并非只承担连接供体和受体的作用，它还会改变反应位点的电子性质。

在溶液体系中，三种探针加入尸胺后均出现了吸收和荧光变化。TPPID、TPBID和TPFID的检测限分别为417、89和63 nM；以20 μM尸胺进行响应测试时，TPPID大约10分钟达到平台，TPBID和TPFID分别需要18分钟和46分钟。TPPID的响应速度与理论计算得到的较高反应活性相符，而TPBID在响应强度、颜色区分和反应速度之间取得了较好的平衡，因此被进一步制成试纸，用于挥发性尸胺的现场检测。

图2. （a）综合检测示意图；（b）TPBID试纸暴露于不同浓度尸胺蒸气（0–120 ppm）后的照片；（c）随着尸胺浓度增加，TPBID试纸的CIE色度图；（d）在0–120 ppm范围内，TPBID试纸荧光B/R比值与尸胺蒸气浓度的关系。

TPBID试纸在365 nm紫外光照射下能够呈现较直观的颜色变化。未接触尸胺时，试纸发出较强的红色荧光；随着尸胺蒸气浓度升高，颜色逐渐由红色变为浅红色，最后转为蓝色。色度图对这一变化进行了进一步表征。在0–120 ppm的尸胺蒸气浓度范围内，试纸荧光图像中蓝色与红色通道的比值和浓度保持良好的线性关系，检出限达到16.7 ppm。与只依靠肉眼判断相比，RGB通道分析为颜色变化提供了一个可量化的读数。

选择性实验表明，TPBID对水以及多种无机离子、常见胺类和生物胺的响应较弱，而尸胺引起的吸收和荧光变化更明显，腐胺也会产生一定响应。试纸对尸胺的优先响应与其较高的反应活性有关。研究还考察了光照和储存条件下的稳定性，结果显示，TPBID具有较好的耐光性和储存稳定性，能够满足进一步开展实际样品监测的基本要求。

图3. （a）TPBID检测尸胺的传感机制示意图；（b）在CDCl3中加入不同当量尸胺后TPBID的部分1H NMR谱图；（c）TPBID与尸胺反应后的紫外-可见吸收光谱；（d）TPBID与尸胺反应后的荧光光谱。

机制分析为上述响应提供了分子层面的解释。尸胺分子中的氨基作为富电子亲核体，优先进攻TPBID分子中与茚满二酮相连双键的β碳，通过加成反应形成席夫碱结构，改变原有的共轭体系。核磁共振谱中部分质子信号的减弱、新的亚胺和亚甲基信号出现，以及反应前后质谱信号的变化，共同支持了这一反应过程。换句话说，试纸颜色由红转蓝并不是简单的物理吸附结果，而是来自尸胺参与反应后分子结构和电子分布的改变。

随后，本研究把TPBID试纸用于猪肉、鸡肉和虾的新鲜度监测。样品在25 ℃下放置后，试纸颜色随储存时间延长逐步发生变化，并与挥发性盐基氮含量的升高相对应。猪肉、鸡肉和虾在储存后期的TVBN含量分别达到33.57、27.60和25.46 mg/100 g，试纸也由红色逐渐转向蓝色。相反，在-20 ℃条件下储存30天后，三类样品的试纸颜色没有明显变化，TVBN含量保持在15 mg/100 g以下，说明该读数能够反映不同储存条件下肉类品质的差别。荧光B/R比值与TVBN含量之间建立了较好的线性关系，使试纸不仅能进行定性判断，也能对新鲜度变化作出一定程度的定量描述。

图4. （a）利用TPBID试纸监测肉类新鲜度的过程示意图；（b）25 ℃下不同储存时间猪肉、鸡肉和虾样品的TPBID试纸荧光图像；（c）25 ℃下不同时间点猪肉、鸡肉和虾样品的TVBN值及B/R比值；（d）TVBN值与TPBID试纸B/R比值之间的线性关系。

为了减少人工观察颜色带来的主观差异，研究团队进一步将TPBID试纸与手机摄像头和轻量化深度学习模型结合。用于模型训练和测试的图像按照新鲜、次新鲜和腐败分为三类，并在不同拍摄角度和光照条件下采集。YOLOv8n模型由输入层、卷积层、C2f模块、SPPF模块、全连接层和输出层组成，模型通过手机拍摄或上传的荧光图像完成分类。测试结果显示，新鲜和腐败类别的AUC均为0.99，次新鲜类别的AUC为0.97；三类样品的精确率分别为92.4%、100%和92.2%，新鲜和腐败类别的召回率均达到100%。

图5. （a）用于训练深度卷积神经网络的数据集包含713张训练图像和179张测试图像；（b）YOLOv8n网络包括输入层、C2f层、SPPF层、全连接层和输出层；（c）部分测试集中的真实标签；（d）部分测试集中的预测置信度；（e）新鲜、次新鲜和腐败类别的ROC曲线；（f）YOLOv8n模型的混淆矩阵；（g）系统前端界面。

从分子设计、试纸显色到手机模型判别，本研究构建了一条较完整的肉类新鲜度检测路线。结果说明，调节D-π-A结构中的π桥，可以同时影响探针的发光颜色、尸胺反应速度和检测灵敏度；TPBID试纸则把这些变化转化为可观察、可记录的信号。需要指出的是，该平台目前主要依赖尸胺等挥发性生物胺这一变质指标，并不能替代针对特定致病菌的检测。它更适合作为肉类储存和流通过程中的快速筛查工具，后续仍需要在更复杂的样品、不同设备和更大规模数据上继续验证。

论文来源：https://doi.org/10.1016/j.snb.2026.139953