《Analytical Chemistry》:Blinking-Based Identification of Single Dye Molecules in Ink
编辑推荐:
本综述介绍了基于荧光闪烁(blinking)的单分子识别技术,通过宽场荧光显微镜、变点检测(CPD)和多项逻辑回归(MLR)实现对文化遗产材料中罗丹明染料的精准鉴别。该方法无需等离激元基底,具有单分子灵敏度,为文物染料分析提供了非侵入性新工具。
基于荧光闪烁的单分子染料识别技术及其在文化遗产材料分析中的应用
引言
文化遗产材料中天然有机色料的分析一直是保护科学中的重大挑战。这些颜料易褪色,且样品稀缺复杂,使得其鉴定既关键又困难。传统分析技术如紫外/可见光谱、荧光分析、多光谱成像、高效液相色谱(HPLC)和拉曼光谱等,在痕量有机色料识别方面缺乏足够的灵敏度和特异性。例如,拉曼光谱能提供分子指纹,但灵敏度相对较低,且受强背景荧光干扰。表面增强拉曼散射(SERS)光谱通过等离激元金属纳米结构(如金或银纳米颗粒)增强拉曼信号,可克服这些限制。吸附到这些金属表面不仅能抑制干扰荧光,还能将灵敏度提高到单分子水平。SERS已成功应用于文化遗产研究中易挥发颜料和其他艺术家材料的鉴定。然而,其成功依赖于将分析物送达金属表面几纳米范围内,这对于物理化学性质多样的未知或组成复杂的样品而言是一大挑战。尽管已探索了样品预处理和电化学SERS(EC-SERS)等策略以改善分析物吸附,但这些方法增加了额外步骤,可能不适合非靶向分析,降低灵敏度,或对脆弱不可替代的艺术样品构成风险。因此,迫切需要一种无需依赖等离激元基底或处理复杂分析物-表面相互作用即可实现单分子灵敏度的技术。
单分子荧光(SMF)光谱提供了与SERS相当的灵敏度,同时绕过了等离激元基底,但牺牲了振动光谱所提供的精细化学选择性。传统上,SMF涉及向样品中添加已知荧光团,通过荧光光谱、寿命、偏振或闪烁测量来成像和探测其局部环境。闪烁定义为在连续激光激发下,单个荧光团在荧光(“亮”)和非荧光(“暗”)事件之间随机切换的现象。最近研究表明,这种未知分子的本征荧光闪烁可用作其识别的“条形码”。基于闪烁的多路复用(BBM)将每个分子的闪烁模式视为独特的“指纹”进行识别。尽管BBM最初被设想为多路单分子或超分辨成像的工具,但它作为文物保护的分析技术也充满前景。例如,最近研究表明,使用BBM可以准确区分有机荧光团,如蒽醌、BODIPY和罗丹明。本文开发了一种分析方法,仅基于闪烁来识别艺术家材料中的未知荧光团,具有单分子灵敏度。
罗丹明染料因其明亮、荧光色彩而备受推崇,广泛用于艺术家材料,如粉彩、日光荧光涂料和墨水。它们用于档案材料以及现代和当代作品,加上其易褪性,使罗丹明成为保护研究的关键目标,也是开发基于闪烁的识别方法的理想模型。本研究使用宽场荧光显微镜测量了三种结构相关的罗丹明染料——罗丹明123(R123)、罗丹明6G(R6G)和罗丹明B(RB)的闪烁动力学。采用统计分析和机器学习工具,如变点检测(CPD)和多项逻辑回归(MLR),来量化闪烁统计量,并建立一组定量判定因子,实现对罗丹明染料的阳性及排他性识别。该方案随后应用于湿态和干态商业圆珠笔墨水,这些是文物保护中可能遇到的复杂样品。结果证明了在圆珠笔墨水中成功识别出RB,具有单分子灵敏度,并通过体相SERS测量验证。这项工作凸显了基于闪烁的识别技术在终极灵敏度水平上识别艺术家材料的巨大潜力,提供了非侵入性分析,无需等离激元基底的额外复杂性或表面相互作用,这对于处理有限且不可替代的艺术样品至关重要。
结果与讨论
将BBM通过MLR转化为文化遗产应用的准确识别工具,需要测量许多单个分子的闪烁动力学,建立一组用于单分子识别的定量判定因子,然后在真实样品上测试该方法。使用配备EMCCD相机的宽场荧光显微镜进行单分子成像。图1显示了R123、R6G和RB在532 nm激发下的代表性闪烁动力学。与先前研究一致,固定在玻璃上的罗丹明染料的闪烁动力学相当复杂,每个轨迹中观察到非二元的荧光强度和多种事件时间尺度。为了记录和分析单个发射体的闪烁,我们将变点检测(CPD)算法与广泛使用的ThunderSTORM软件结合,使我们能够为每个超分辨发射体量化十项独立的闪烁统计量。完整的闪烁轨迹处理工具可在GitLab上获取。这些CPD导出的统计量涉及每个闪烁轨迹中事件的数量、强度、持续时间和类型(即荧光“亮”或非荧光“暗”)。例如,独特荧光强度水平的数量(Non)、时间平均荧光强度(?It?)以及荧光事件的平均持续时间(?ton?)。
尽管图1中闪烁轨迹的定性比较未显示R123、R6G和RB之间存在明显趋势(与闪烁是随机过程一致),但CPD分析揭示了一些闪烁统计量的差异。例如,对于这些特定的R123、R6G和RB分子,Non分别为36、14和61。?It?在同一系列中从22变为23再到69。?ton?也观察到显著差异(即从R123的5.3秒到R6G的0.4秒再到RB的4.6秒)。在272个R123、117个R6G和177个RB分子的集合中观察到闪烁统计量的类似变化。例如,R123、R6G和RB的平均独特荧光强度水平数量(?Non?)分别为30 ± 40、20 ± 30和60 ± 60,其中误差对应于平均值的标准偏差。尽管比较这些平均值开始揭示哪些闪烁统计量在这些结构相似的罗丹明染料之间可能存在差异,但个体值的分布广泛且重叠严重,与表S1中报告的大标准偏差一致。仅凭CPD导出的闪烁统计量的平均值无法提供准确的识别。为了建立识别的定量判定因子,我们采用了一种利用类别间闪烁行为差异的方法,通过CPD和MLR进行量化。
我们先前表明,MLR作为一种监督式软分类算法,可以通过使用多个闪烁统计量作为输入预测因子,快速准确分类单个发射体(例如BODIPY与罗丹明染料)。在MLR中,分子属于类别A的概率(PA)被建模为逻辑(S型)函数,每个闪烁统计量通过回归系数贡献于预测:PA(x, y, ...) = [1 + exp(?(∑jnmjxj+ b))]?1。该模型的输出是一组与每个输入预测因子xj(例如Non、?It?、?ton?等)相关的回归系数mj,以及一个截距(b)和预测的PA值,所有这些都可能用于识别。实际上,该分类过程的第一步是测量每个类别(例如R123、R6G和RB)许多分子的闪烁动力学并进行相应的CPD分析。接下来,将每个分子的闪烁统计量及其类别输入模型,该模型为每个比较(例如R123与R6G)产生最佳拟合逻辑函数。然后可以针对这些函数评估未知分子的闪烁动力学以确定其类别。
为了测试MLR是否可用于识别墨水中的罗丹明染料,我们首先在R123、R6G和RB的许多分子之间进行了一系列交叉和自比较,以确定阳性和排他性识别的标准集。例如,如果将R123的闪烁动力学与其他R123分子进行比较,MLR模型应输出一组与R123阳性识别一致的数据。另一方面,如果将R123分子与R6G数据集比较,MLR模型应产生排除R6G作为类别的值。这些判定因子是什么?逻辑回归与其他分类模型相比的优势之一在于它产生可解释的输出(即拟合参数和PA值),可用于确定控制识别的因子。例如,由于十项闪烁统计量是归一化且不相关的,回归系数总幅度(∑j|mj|)与类别差异成正比。因此,对于自比较,记为A/A(例如R123/R123、R6G/R6G、RB/RB),MLR应产生接近零的∑j|mj|值。MLR交叉比较,记为A/B(例如R123/R6G、R123/RB和R6G/RB),应产生较大的∑j|mj|值。表1展示了R123、R6G和RB之间交叉和自比较的MLR结果。R123/R6G、R123/RB和R6G/RB分类的∑j|mj|值非零,分别为5.9、11.8和5.6,与模型有效区分类别一致。然而,R123/R123、R6G/R6G和RB/RB自比较产生的∑j|mj|值更接近零(即从1.1到3.2),与数据来自一个类别(阳性识别)一致。
除了拟合参数,MLR还产生概率输出,可用于进行类别预测,生成预测与实际结果的混淆矩阵,并计算分类准确度(即正确预测占总案例的百分比)。在二元分类模型中,准确度从100%(完美分类)到约50%(模型无法区分类别,表现不优于随机机会)变化。因此,分类准确度预计是一个有用的判定因子。对于交叉比较(A和B),MLR应能有效区分类别,模型预计会产生许多准确预测和高分类准确度。然而,对于自比较(A/A),MLR不应能区分类别,模型应产生接近50%的低分类准确度。在此框架下,低分类准确度对应于阳性识别。表1展示了R123、R6G和RB之间交叉和自比较的MLR准确度指标。“最小”分类准确度对应于包含所有闪烁数据的情况,即使是产生最不确定分类(即对应PA值接近50%)的分子。与先前研究一致,不同类别之间的最小分类准确度大于75%,意味着模型能有效区分R123、R6G和RB。然而,通过实施概率阈值(即PA值约80%)并从集合中丢弃“较不确定”数据,这些结构相似的罗丹明染料之间的二元A/B分类准确度达到≥90%。自比较的结果明显不同。当比较来自同一类别的两个数据集时,MLR的最小准确度在47%到55%之间,证实模型正确地将数据视为不可区分。此外,即使实施概率阈值,也无法达到更高的分类准确度。这些结果表明,最小分类准确度以及是否可以通过阈值处理达到90%分类准确度是稳健的判定因子。最后,尽管单独的CPD导出闪烁统计量本身无法提供准确识别,但类别间这些统计量的平均差异可能提供另一个有用的判定因子。确实,表1显示,十个闪烁统计量的平均百分比差异(即 (1/10) ∑j=110(|x?A,j? x?B,j| / [(1/2)(x?A,j+ x?B,j)] × 100) ) 在类别之间显著(即从39%到69%),而自比较的相应值相对较小(即从15%到21%)。
综上所述,表1中的数据表明CPD和MLR分析提供了一组基于闪烁识别罗丹明染料的判定因子。当两种罗丹明染料的闪烁动力学相同时(阳性识别):1)最小分类准确度约为50%(模型将数据视为不可区分),2)无法通过阈值处理达到90%分类准确度,3)∑j|mj|值在1.4到3.2之间,4)CPD统计量的平均差异较小(即15%到21%)。类似地,当两种罗丹明染料的闪烁动力学不同时(排他性识别):1)最小分类准确度大于75%,2)可以达到90%分类准确度,3)∑j|mj|值大于等于5,4)CPD统计量的平均差异相对较大(即39%到69%)。尽管每个判定因子都提供一定的区分能力,但使用一组四个因子为识别提供了更稳健和可推广的基础。此外,虽然平均百分比差异因子不需要MLR分析,但这些CPD统计量在不同系统和条件下变化很大,使得该因子单独使用时最不可靠。图2总结了从参考染料的多次比较中得出的平均判定因子和标准偏差,以及识别未知罗丹明染料的相应工作流程。
尽管图2中阳性与排他性识别的判定因子在统计上不同,但这些指标的最终测试是将其应用于含有未知分析物的真实样品。为此,我们检查了与文化遗产研究相关的有色墨水的湿态和干态样品,据信含有罗丹明染料。图1显示了用BIC Cristal粉色笔绘制的机构标识照片,呈现出强烈的粉红色。由于圆珠笔粉色是染料、颜料以及增塑剂和树脂等附加组分的复杂混合物,已使用薄层色谱(TLC)等样品处理策略来分离嵌入的色料。确实,未经处理的墨水样品的闪烁测量产生的视频中包含少量亮点,处于广泛弥散的荧光背景中,与弱荧光材料(如聚合物树脂)的污染一致。因此,我们实施了Alyami及其同事开发的TLC方法,将色料从墨水基质中分离。湿墨水直接从笔芯获得,而干墨水通过用乙醇湿润的棉签从纸上移除。这些墨水样品的TLC在Rf= 0.56处产生一个显著的粉色和UV荧光条带。从该区域取出染料掺杂的硅胶,并提取到乙醇中进行成像(即成像区域约15个发射体)。
图1显示了从湿墨水获得的单个“BIC”分子的代表性闪烁轨迹。该分子的CPD导出闪烁统计量(例如Non= 73, ?It? = 77, 和?ton? = 3.2秒)似乎与R123和R6G的差异最大,而与RB的相似性最高。为了明确识别分析物,我们测量了199个BIC分子的闪烁动力学,并使用CPD和MLR将闪烁与R123、R6G和RB参考染料进行比较。表1显示,当BIC与R123和R6G比较时,所有四个识别因子都明确落在排他性识别范围内:高分类准确度、低MLR系数以及闪烁统计量的显著差异。另一方面,BIC与RB的比较显示所有四个判定因子与RB的阳性识别一致(即分类准确度为55%,无法达到90%准确度,∑j|mj|为1.9,CPD统计量差异为16%)。综上所述,湿BIC墨水的CPD和MLR分析排除了R123和R6G作为分析物,并将BIC阳性识别为RB。
对于干墨水样品的闪烁测量,三个判定因子落在图2所列的RB阳性识别范围内(即无法达到90%准确度,∑j|mj|为2.9,CPD统计量差异为16%)。干燥的BIC墨水样品表现出略高的最小分类准确度63%,这可能源于棉签提取引入的轻微污染。这一比较表明,随着对更多染料、条件、处理和复杂真实样品的进一步测试,图2中可接受的最小准确度或其他判定因子的范围可能会增加。所有四个判定因子排除了R123和R6G作为分析物(即干BIC/R123和干BIC/R6G产生的最小准确度分别为86%和83%,达到了90%准确度,∑j|mj|值分别为12.5和8.8,CPD统计量差异分别为51%和69%)。为完整起见,我们还比较了湿和干墨水样品的闪烁,发现使用MLR无法区分它们。
作为这种基于闪烁的识别方法的最终测试,我们对墨水进行了独立的SERS分析。图3显示了TLC分离的BIC墨水的SERS光谱与RB和增强基底(柠檬酸盐还原银纳米颗粒,AgNPs)的比较。在1521 cm–1、1506 cm–1、1276 cm–1、1194 cm–1、789 cm–1、731 cm–1、621 cm–1和485 cm–1处观察到主要且具区分性的SERS峰,与RB高度一致。此外,R123和R6G的显著SERS峰明显缺失(例如R123的1587 cm–1、610 cm–1和485 cm–1,以及R6G的600 cm–1)。 collectively,SERS分析证实了基于闪烁的RB识别。
基于闪烁的识别为表征文化遗产材料中的荧光染料提供了一种强大的新方法。本研究表明,极小的样品,如从物体上谨慎移除的微观固体或纸上墨水的有色提取物,足以提供单罗丹明分子的阳性识别,从而无需SERS或等离激元基底即可区分结构相似的发色团。对于湿和干墨水样品,图2中概述的四个判定因子可靠地排除了候选染料并确认了分析物。虽然由于现代墨水样品的高化学复杂性和自发荧光,TLC仍然是必要的预处理步骤,但当前工作正致力于为染料、颜料和涂料样品开发更简单的提取方案。这些结果强调了在复杂环境中进行闪烁机理研究以及建立现代和老化艺术家材料的参考闪烁库的重要性。未来的努力将把这种基于闪烁的识别扩展到其他染料类别,如蒽醌类,它们在文化遗产材料中普遍存在,且已知经历不同的闪烁机制。通过分析此类染料的复杂混合物(可能存在于生物来源和/或艺术家选择的艺术品中),该方法有望揭示文化遗产物体中完整的荧光团分布信息,这些信息否则会被系综平均所掩盖。