微生物污染在当下引发了诸多健康风险与环境挑战。传统的微生物检测手段，像质谱法、免疫技术以及分子生物学方法等，虽有一定效果，却存在明显弊端。检测周期漫长，短则数小时，长则数天；样品制备流程极为复杂，需要专业人员操作；而且难以实现远程快速检测，这些短板在面对突发公共卫生事件、食品安全紧急排查等场景时，严重限制了检测效率与效果。

在此背景下，研究团队构建了一套远程 LIBS 检测系统。该系统整合了单脉冲纳秒激光与可缩放卡塞格伦望远镜，能够精准捕捉 5 米外样品的光谱信号。实验选用铝、锌等金属基板以及石墨、硅等非金属基板，模拟工业生产、食品包装、自然环境等不同场景中微生物的附着情况。微生物样本涵盖 10 种常见菌种，包含 5 种革兰氏阳性菌、4 种革兰氏阴性菌和 1 种酵母真菌，保证了研究的广泛代表性。

图 1 呈现锌基板上十种微生物光谱特征、金黄色葡萄球菌光谱细节及大肠杆菌与金黄色葡萄球菌在四种基板上的光谱差异。

在对 10 种微生物的光谱进行深入分析后，研究人员发现钠、钾、钙等元素的双重谱线是关键识别特征。尽管不同基板上微生物的光谱强度有所差异，但这些元素的双重谱线始终稳定存在，例如钙的 393.36nm/396.84nm、钠的 588.99nm/589.59nm 和钾的 766.49nm/769.84nm 谱线对。主成分分析（PCA）结果显示，这些选定的双重谱线能有效区分微生物种类，前三个主成分累计解释了 96.19% 的数据方差。

图2：主成分分析（PCA）结果可视化，图 (a) 展示十种微生物在三维主成分空间中的聚类分布，图 (b) 显示主成分的贡献率和累计方差。

在微生物分类环节，研究团队对比了四种机器学习算法的性能，其中随机森林（RF）算法表现最为优异，整体分类准确率达到 91.0%。研究人员进一步引入线性模型、双重线比率模型、交叉比率模型和混合模型等变量模型对 RF 算法进行优化，分类准确率大幅提升至 96.5%。通过 SHAP 值分析发现，钠和钙的双重线比率是提升分类鲁棒性的核心因素。

图3：四种机器学习算法的混淆矩阵，对比 PCA-KNN、PLS-DA、SVM 和 RF 对十种微生物的分类表现，RF 准确率最高（91.0%）。

为验证该技术在实际复杂环境中的适用性，研究团队在土壤和纸张等异质基质上进行细菌分类验证。结果显示，在土壤基质上的分类准确率为 92.5%，在纸张基质上达到 96%，充分证明该模型在复杂环境中具备强大的适应性与准确性。

此项研究首次实现远程 LIBS 技术与机器学习的深度融合，通过优化光谱特征选择和机器学习模型，极大地提升了微生物分类的准确性与鲁棒性。该技术具有非接触、远程检测的显著优势，可有效避免传统检测方法可能带来的感染风险，在环境监测、公共卫生安全、生物武器防御和传染病控制等多个领域展现出广阔的应用前景。随着后续研究的不断深入与技术的持续完善，远程 LIBS 与机器学习的集成技术有望成为微生物检测领域的核心技术手段，为保障人类健康和生态安全提供坚实有力的技术支撑。

参考文献：Chen F, Liang J, Tian Z, et al. Remote identification of microorganisms on various substrates using LIBS and machine learning integration[J]. Optics and Lasers in Engineering, 2025, 193: 109051.