智能三合一检测平台:通过化学传感、图像识别和机器学习技术快速识别四环素类抗生素

《Spectrochimica Acta Part A: Molecular and Biomolecular Spectroscopy》:Smart three-in-one detection platform: Chemical sensing, image recognition, and machine learning for rapid identification of tetracycline antibiotics

【字体: 大 中 小 】 时间:2026年01月01日 来源:Spectrochimica Acta Part A: Molecular and Biomolecular Spectroscopy 4.3

编辑推荐:

  抗生素残留检测中,本研究开发了一种GMP-Tb/RhB多比例荧光探针阵列,结合YOLOv5s图像识别和KNN/SVM/随机森林分类模型,构建了化学传感与计算机视觉融合的智能检测系统,实现0-50 μM浓度范围内四环素类抗生素94.4%的识别准确率,并通过Flask框架集成Web应用。

  
郝远马|雷佳|李嘉颖|张丽娜|李永新|朱涛峰|徐俊
河南理工大学化学与化学工程学院,中国焦作454000

摘要

水产品中抗生素残留引起的隐性过敏反应和累积毒性效应已成为重大的公共卫生问题。其中,四环素类抗生素(TCs)由于其高分子稳定性和在环境中的长期存在性,对生态和健康构成了相当大的威胁。为应对这一挑战,本研究开发了一种鸟苷-5-单磷酸(GMP)-Tb/罗丹明B(RhB)多比例比率荧光探针阵列,并结合计算机视觉和智能颜色映射识别框架,构建了一种全面且智能的抗生素识别解决方案。具体而言,采用了“You Only Look Once”版本5s(YOLOv5s)模型自动检测96孔板上的反应区域并提取RGB特征数据。然后使用k-最近邻(KNN)、支持向量机(SVM)和随机森林(RF)分类器对这些特征进行多维建模。最终,将优化后的模型集成到基于Flask框架构建的Web应用程序中。实验结果表明,该系统在0–50 μM浓度范围内对TC、OTC和CTC类抗生素的总体识别准确率为94.4%;值得注意的是,最优KNN分类器在验证集上的F1分数达到了1.00。本研究成功建立了一个集化学传感、图像识别和智能决策于一体的分析范式,为快速筛查环境污染物提供了可扩展的技术平台。

引言

四环素是一类由放线菌产生的广谱抗生素,主要包括氯四环素、氧四环素、四环素及其半合成衍生物如米诺环素、多西环素等。这些抗生素主要通过抑制细菌蛋白质合成来发挥作用,具体是通过阻断蛋白质合成过程中的氨基酸转移来抑制细菌生长[1]。尽管应用广泛,但四环素的副作用和潜在危害不容忽视[2,3]。水溶液中的四环素残留对环境和生物健康构成了多重威胁。这些抗生素可以通过水体传播,影响微生物群落并传播耐药细菌,从而加剧“超级细菌”的威胁[4,5]。此外,当残留抗生素进入饮用水或食物链时,可能对人类健康构成潜在风险,包括引发耐药性感染和内分泌紊乱[[6], [7], [8]]。因此,准确区分不同类型的四环素具有重要意义。由于不同抗生素在环境或生物体内的行为、作用机制和潜在危害存在差异,详细区分有助于深入研究抗生素耐药性机制、优化水处理技术,并为精细化管理提供科学依据。然而,由于同一类型抗生素的分子结构高度相似,其化学性质也非常接近,荧光探针对它们的特异性响应也很微弱。仅通过传统的化学方法难以实现精确区分。因此,本研究提出将化学方法与全维度目标推理和仿生神经计算相结合,利用荧光探针将化学信号转换为颜色信号,并通过设计的传感器阵列提取每种抗生素的指纹信息[9,10]。通过使用分类算法捕捉信号特征的细微差异,可以解决传统化学方法难以解决的四环素准确区分问题。
目前,有多种技术方法可用于检测四环素类抗生素,包括化学发光[11]、生物传感[12]、毛细管电泳[13,14]、荧光[15]和高性能液相色谱[16]等。选择荧光方法的原因在于它具有多种显著优势,如高灵敏度、快速响应、操作简单、高选择性、实时监测和低成本,与其他方法相比更具优势。结合荧光传感器和智能摄影设备,这种方法已广泛应用于污染预防和检测[[17], [18], [19]]。在本研究中,选择镧系稀土元素作为发光基团,因为它们具有独特的电子结构和光学性质[20]。具体而言,镧系元素的发光主要来源于f-f跃迁。由于f轨道被外层轨道屏蔽,它们的发光带通常非常窄,分辨率高[21];此外,镧系元素具有较长的发光寿命和显著的斯托克斯位移,发射光谱与激发光谱之间有较大间隔,可以有效消除背景干扰并避免激发光的重叠。同时,镧系元素还具有高效的能量传递和强配位能力。镧系元素本身的吸收系数相对较低,但与有机配体结合后,配体可以通过“天线效应”将吸收的能量高效传递给镧离子,从而增强镧离子的发光[22]。镧系元素通常处于+3价态,具有较大的离子半径和高的配位数,可以与各种配体形成稳定的配位化合物,进一步优化其光学性质。李等人指出,由鸟苷单磷酸(GMP)和铽离子(Tb3+)组成的无限配位聚合物(ICP)表现出优异的自组装性能和快速响应的发光特性[23]。因此,本研究选择这种复合物作为高效的荧光探针传感器。然而,四环素类抗生素的吸收波长范围较广,这可能在检测过程中导致内部过滤效应[24,25],从而降低制备的GMP-Tb荧光探头的发射强度。为了解决这个问题,将RhB荧光染料和GMP-Tb按特定比例结合,创建了一种多比例荧光探针。随后构建了一个传感器阵列,以检测不同类型抗生素之间的微妙信号变化,从而提高识别能力[10]。通过采用多种比例组合,可以实现目标抗生素的多维检测。这种方法增加了特征维度,减少了单探针检测的差异,最终提高了分析和预测的准确性和稳健性。
为了实现捕获图像中颜色反应孔区域的自动识别,本研究采用了广泛使用的YOLO(You Only Look Once)目标检测模型[26]。YOLO是一种基于卷积神经网络的单阶段目标检测算法,其版本已经经历了多次更新和迭代[27]。本研究中使用的YOLOv5模型是Ultralytics团队在2020年发布的YOLO系列的非官方版本。该模型以CSP Darknet架构作为其骨干网络,能够从图像中提取多级特征并通过Anchor机制生成候选框[28,29],同时计算每个框的类别概率(置信度)[30]。YOLO v5提供了多种变体(YOLOv5s、YOLOv5m、YOLOv5l、YOLOv5x),用户可以根据实际需求选择轻量级(速度优先)或高精度(准确性优先)版本。此外,自适应荧光分析作为一种动态优化分类方法,在化学领域得到了广泛应用,特别是在涉及抗生素或标记物的分类任务中[[31], [32], [33]]。在本研究中,对获得的数据集进行了预处理,然后使用三种主流分类模型进行训练:k-最近邻(KNN)、随机森林(RF)和支持向量分类器(SVC)[34]。通过测试集评估了模型的性能,并通过网格搜索进行了参数调整。最后,对未知样本进行了预测。为了更方便用户实现检测功能,开发了一个基于Flask框架的Python Web应用程序[35],将训练好的YOLOv5模型和最优分类器嵌入到系统中。这大大降低了用户的操作难度,并实现了整个过程的集成检测(如图1所示)。通过上述系统,荧光图像分析的自动化程度和分类准确性得到了显著提高,为高通量和便携式荧光传感器的应用提供了新的思路和高效解决方案。本研究在多维传感器设计方面取得了两项创新突破:(1)提出了RhB和GMP-Tb的梯度比例复合策略,并通过颜色空间变换建立了12维特征矩阵;(2)基于YOLOv5s开发了自适应孔位置识别算法,结合了多尺度特征融合和自适应直方图均衡技术。

实验部分

支持信息列出了代码开发环境,并解释了分类模型算法的原理。

GMP-Tb的特性

扫描电子显微镜(SEM)成像显示,GMP-Tb材料呈现层状堆叠形态(图1a)。进一步使用透射电子显微镜(TEM)进行了形态学表征。结果表明,Tb3+与GMP分子中的鸟嘌呤碱基和磷酸基团中的N原子配位[37],从而自发组装成不规则的超分子聚合物网络(图1b)[38],平均粒径约为

结论

本研究合成了以鸟苷单磷酸(GMP)为配体、硝酸铽六水合物为稀土元素荧光基团的GMP-Tb稀土荧光探针。随后将该探针与橙红色荧光染料罗丹明B(RhB)按特定比例混合,构建了一种基于纳米荧光探针的传感器阵列。通过将YOLOv5轻量级目标检测算法与RGB驱动的视觉分类网络相结合,实现了一种全面的

利益冲突声明

作者声明他们没有已知的可能会影响本文报道工作的竞争性财务利益或个人关系。

致谢

本研究得到了国家自然科学基金(62572173)、河南省高校科技创新团队基金(24IRTSTHN014)、无锡市卫生健康委员会科学基金(BJ202220)、无锡市卫生健康委员会中青年人才支持计划(BJ2023105)以及江苏省重点实验室开放(JSKLM-T-2024-1)的支持。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号