胞外代谢指纹赋能检测：无细胞SERS ML细菌病原体识别新策略

一、核心技术原理：采集细菌上清SERS光谱，借助机器学习解析胞外信号鉴别致病菌

研究人员采集细菌培养上清 SERS 光谱，利用机器学习分析胞外信号进行致病菌鉴别。这个研究不再以完整的细菌体作为探测对象，研究将离心去除菌体后的上清作为研究样本，上清中存在细菌分泌的核酸、蛋白、磷酸盐代谢物等，具有菌株特有生化指纹。而同时，实验中采用斜角沉积法制备银纳米棒 SERS 基底，对稀释后的上清进行 SERS 光谱采集，目的是获得完整包含生物分子振动信息的原始光谱图。

对原始光谱进行基线校正、归一化等操作后，经过主成分分析无监督聚类，第一性分辨不同菌株光谱差异；再通过支持向量机进行监督分类，挖掘光谱中的细微多变量的特征，消除培养基本底的干扰。像这种的无细胞检测方案就成功避开了活菌操作所要挟的生物安全问题，又能使食源性致病菌、钩端螺旋体血清型都能够实现高精度检测。甚至在不同实验室的数据集也是如此，在不同实验之间有良好的分类效果，也为细菌快速检测提供了一种SERS的新思路。

图1 技术流程图

二、核心实验内容与结果

1.细菌培养上清SERS光谱具备菌种特异性，无监督PCA可实现样本聚类

研究证明细菌培养上清液的SERS光谱具有菌种身份信息特征，利用无监督主成分分析PCA可以对样本聚类，得图3的三维PCA得分图，分食源致病菌（a）、钩端螺旋体血清型（b）、多个实验室合并数据集（c）三部分。由图中可见无菌培养基对组与各组细菌的上清样本聚类各自独立，说明细菌生长与代谢改变了培养基成分，上清液保存了可以区别的生理信息。不同细菌菌株、不同钩端螺旋体血清型在PCA图的聚类中分来自各自的集聚聚集区域，不同沙门氏菌、大肠杆菌血清型可以区分，不同钩端螺旋体血清型有各自的可区分聚类子群，说明这些培养上清SERS指纹可以利用经离心去除整个菌体后上清的胞外蛋白、核酸、磷酸盐代谢产物的菌种身份信息。但亲缘相近的菌株、血清型之间还有局部簇相互重叠的部分，例如一部分大肠杆菌亚型、布拉迪伐钩端螺旋体与坎尼可拉钩端螺旋体局部有些混叠。这表明PCA只能完成初步探索性聚类，由无监督的方法完成将不一定完全正确地进行判别，要用支持向量机这一类的有监督机器学习算法提取光谱多元的细微特征，才能可靠地进行细菌的分型鉴定。

图2 从细菌培养上清液获得的Sers光谱的三维PCA评分图

2.SVM监督模型实现高精度细菌分型鉴别

由于 SVM 监督模型利用的是上清 SERS 光谱进行细菌高保真分型鉴别，比较见文中图5混淆矩阵，利用重复随机子抽样策略进行路径基本函数 SVM 分类器训练，以对食源致病菌、钩端螺旋体血清型分别进行分类。针对食源致病菌的数据集，达到的平均分类准确度为 99.29±0.43%，只有 E.coli O121 与 E.coli O157 出现一些错分，其余的食物致病菌以及无菌的培养基对照都 100% 确定性分类；钩端螺旋体血清型数据集分类正确性达到 96.61±1.82%，错分的是生化特征较接近的血清型 Bratislava 和Canicola，其余的血清型和空白的培养基对照分类结果均全对。在不同实验室、不同样本混合数据集上训练的模型也同样保持97.83±0.94%的高准确率，错分只出现在组内亲缘相近菌株，不存在跨大类误判。该结果充分证明，仅依靠细菌培养上清的胞外代谢SERS指纹，无需检测完整菌体，就可以完成菌株、血清型的可靠区分，验证了无细胞SERS检测策略的实用性与跨实验室稳定性。

图3 包括食源性细菌上清液、钩端螺旋体血清型上清液及其相应生长培养基对照的组合数据集的SVM混淆矩阵。

三、结论

该研究将细菌培养上清液作为SERS检测靶标，突破传统SERS检测完整菌体的思路，建立无细胞的细菌识别新方法。实验利用斜角沉积制备银纳米棒基底，采集食源致病菌与钩端螺旋体培养上清的SERS光谱。光谱对比证实，细菌代谢会使培养基产生特征峰偏移、强度变化，上清留存磷酸盐、核酸、蛋白相关的胞外生化指纹。无监督PCA分析显示细菌上清与无菌培养基可明显分离，不同菌株形成各自聚类，但亲缘相近菌株存在部分重叠，仅依靠PCA无法实现精准鉴定。采用支持向量机SVM开展监督分类，食源致病菌分类准确率达99.29±0.43%，钩端螺旋体血清型准确率96.61±1.82%，跨实验室混合数据集准确率也达到97.83±0.94%。该方案减少活细菌直接检测带来的生物安全隐患，提升检测重复性，不仅可用于致病菌快速鉴别，也为研究细菌胞外代谢表型提供技术参考。

原文链接：https://doi.org/10.1016/j.snr.2026.100480