在单层二硫化钼(MoS2)平台上,利用机器学习辅助进行细菌的光学生物传感

《Chemical Engineering Journal》:Machine learning assisted optical biosensing of bacteria on a monolayer MoS2 platforms

【字体: 大 中 小 】 时间:2026年03月11日 来源:Chemical Engineering Journal 13.2

编辑推荐:

  瑟琳娜·张|伊尔凡·H·阿比迪|皮埃尔·瓦扬|斯里哈里·科达卡特|蒂哈·昂|阿克拉姆·阿尔-胡拉尼|马诺杰·塞赫拉瓦特|杰拉尔德·B·皮尔|苏米特·瓦利亚|保罗·A·拉姆斯兰|亚伦·埃尔伯恩 澳大利亚维多利亚州墨尔本RMIT大学STEM学院科学学院,邮编3001 **摘

  瑟琳娜·张|伊尔凡·H·阿比迪|皮埃尔·瓦扬|斯里哈里·科达卡特|蒂哈·昂|阿克拉姆·阿尔-胡拉尼|马诺杰·塞赫拉瓦特|杰拉尔德·B·皮尔|苏米特·瓦利亚|保罗·A·拉姆斯兰|亚伦·埃尔伯恩
澳大利亚维多利亚州墨尔本RMIT大学STEM学院科学学院,邮编3001

**摘要**
细菌感染继续影响着全球数十亿人的生活。目前的检测方法在提供快速准确的细菌检测方面面临挑战。因此,迫切需要创新的快速疾病检测方法。近年来,基于二维材料的传感技术受到了广泛关注。特别是过渡金属硫属化合物(TMDs)因其独特的性质而成为合适的生物传感器候选材料。这些材料相对容易制备,无毒,并具有独特的电荷特性。本研究探讨了将二硫化钼(MoS2)集成到功能化单克隆抗体(mAb)生物传感器中的方法,该传感器能够利用拉曼光谱和光致发光(PL)光谱成功检测耐甲氧西林金黄色葡萄球菌(MRSA)。通过化学气相沉积(CVD)技术将MoS2纳米片沉积在二氧化硅(SiO2)基底上。所得MoS2芯片使用F598单克隆抗体进行功能化,该抗体可识别多种微生物(包括许多细菌种类)表面存在的聚N-乙酰葡萄糖胺(PNAG)多糖。MRSA在MoS2芯片上孵育30分钟后,用磷酸盐缓冲盐水(PBS)冲洗,然后进行PL和Raman光谱分析。结果表明,基于细菌吸附导致的光谱变化,利用PL和Raman光谱可以准确快速地检测MRSA。随后通过卷积神经网络(CNN)结合机器学习技术,分别对不同类型的光谱数据(对照组和MRSA组)进行区分,检测准确率分别为86%和96%。因此,利用MoS2纳米片平台,可以利用光谱技术实现对表达PNAG的细菌(本例中为MRSA)的通用检测。由于该平台的检测基于所使用的抗体,可以通过更换不同的单克隆抗体来检测多种细菌种类。

**1. 引言**
尽管现代医学取得了进步,传染病仍然对全球数十亿人的生活产生负面影响[1]、[2]、[3]。细菌是人类和动物疾病的主要来源之一,因此大量科学研究、工业研究和医学工作都集中在致病细菌的检测上[3]。此外,由于抗生素耐药性的增加以及环境污染和废物管理不善等环境问题,人类、动物和环境中细菌疾病的发病率和严重性正在上升。为了预防和治疗危及生命的细菌疾病,需要易于获取、灵敏且可靠的检测方法[4]、[5]、[6]、[7]。

目前的检测方法包括核酸扩增技术(如聚合酶链反应PCR和基质辅助激光解吸/离子化飞行时间质谱MALDI-TOF MS)、传统的细菌定量测定以及快速抗原检测测试(RADTs),还有其他新兴技术如各种生物传感器[5]、[8]、[9]、[11]、[12]、[13]。PCR是“金标准”技术,几乎可以以超过99%的准确率和灵敏度识别所有感染;但其主要缺点是需专用设备、专业操作,耗时24-48小时且成本较高[14]。MALDI-TOF被广泛用于细菌分离的快速鉴定,但需先进行细菌培养、初期投资大,并且需要最新的数据库,且无法直接检测抗生素耐药性表型[15]。另一种常用的传统细菌定量方法是平板计数法,虽然在高浓度下通常准确,但需要超过24小时才能得出结果。其优点是可以将微生物分离成独立的菌落,但同样需要专业实验室和临床技术[12]、[16]、[17]、[18]。相比之下,RADTs相对便宜、易于获取,可在约15分钟内提供现场检测结果;然而其检测能力较低,且经常出现假阴性,限制了其在临床应用中的普及[9]、[12]、[19]。

其他新兴技术包括表面等离子体共振(SPR),例如Kaushik等人开发的用于检测大肠杆菌的系统,其中MoS2纳米片首先与大肠杆菌抗体结合[50]。尽管该技术有潜力,但由于抗体不稳定,只能检测有限数量的样本。另一种技术是二次谐波生成(SHG),可用于检测MoS2片表面的单个细菌,但该方法会因紫外线光源而破坏细菌[51]。

生物医学工程的最新进展表明,生物传感器可能是传统DNA扩增和其他实验室技术的替代方案[12]。这主要得益于二维无机纳米材料的进步,它们具有可用于生化传感的独特化学和物理特性。此外,这些材料相对廉价且丰富,自2004年二维石墨烯分离以来推动了快速创新[20]。最近,二维无机纳米材料(尤其是过渡金属硫属化合物如二硫化钼MoS2)作为生物传感器候选材料受到关注,因其具有丰富的含量、低毒性、良好的电荷特性以及可集成到多种传感器平台中的能力[11]、[21]、[22]、[23]、[24]、[25]、[26]、[27]。二维结构使得MoS2表面具有较大的表面积与体积比,从而增加了生物分子与其的相互作用。MoS2还适合表面修饰,便于简单快速地附着抗体等生物分子以实现选择性生物传感。这一特性使其具有生物相容性,因为生物传感器需与生物系统相互作用而不造成伤害。

现有研究证明MoS2已成功用作检测前列腺特异性抗原(PSA)的传感平台。许多设备首先用PSA结合抗体包被MoS2表面再进行检测[11]、[27]。这种抗体的添加显著提高了PSA在传感器上的吸附程度,从而提高了抗原检测灵敏度。

在这项工作中,我们选择了基于光谱的光学传感器而非电学传感器。研究的重点细菌是耐甲氧西林金黄色葡萄球菌(MRSA),这种抗生素耐药细菌被世界卫生组织(WHO)列入2024年细菌优先病原体清单,属于高风险病原体[4]、[5]、[6]、[7],因此对其快速检测具有特殊意义。光学传感器无需直接接触样本,尤其适用于处理潜在传染性病原体。光谱检测不受温度影响,可在液体样本中进行,通过盖玻片防止液体污染扩散。我们成功证明,将MoS2与F598单克隆抗体功能化后,可以利用拉曼光谱和光致发光光谱成功检测MRSA。F598是一种IgG单克隆抗体,可识别多种细菌表面存在的聚N-乙酰葡萄糖胺(PNAG)。

**2. 结果**
2.1. 传感器设计
图1展示了我们研究中使用的基于单层MoS2的可调谐拉曼传感器的示意图。按照行业标准制造协议,通过化学气相沉积(CVD)将MoS2纳米片沉积在SiO2基底上[33]。随后用F598 IgG抗体对表面进行功能化处理,并涂覆MRSA细菌溶液。冲洗后通过Raman和PL光谱确定MRSA的存在。传感器各组成部分将在后续结果和讨论部分详细说明。

2.2. MoS2纳米片的表征
选择MoS2作为生物传感器材料,是因为其具有较大的表面积、高电子迁移率以及与生物分子的强亲和力。MoS2是一种过渡金属硫属化合物(TMDC),具有强烈的自旋-轨道耦合和良好的电子及机械性能[20]、[21]、[33]、[34]、[35]、[36]。这些性质使其可通过光致发光和拉曼光谱等多种技术进行检测。扫描电子显微镜(SBM)观察显示,MoS2纳米片在SiO2基底上呈三角形结构,大小不一(图2a)。电子衍射证实其六方晶体结构(图2b),由S原子层和Mo原子层组成[11]、[20]、[34]、[36]。原子力显微镜(AFM)进一步观察发现纳米片边缘不规则,可能为抗体提供优选吸附位点(图2b,插图)。

**3. 结论**
本研究开发了一种基于单层MoS2纳米片的功能化单克隆抗体的光学生物传感平台,用于检测耐甲氧西林金黄色葡萄球菌(MRSA)。细菌吸附到抗体修饰的MoS2表面会导致材料光学响应的可重复变化,表现为A1g拉曼峰的减弱和MoS2光致发光光谱的宽化。这些光谱特征提供了一种无标记、非破坏性的细菌结合检测方法,可通过卷积神经网络(CNN)进行有效分类,实现MRSA的快速自动化识别。MoS2片层的光学特性是由于其内在的硫空位在带隙内形成供体态,从而导致n型掺杂并促进三离子的形成。这些硫空位还可以作为活性位点,允许抗体附着和生物分子相互作用。有一项研究使用MRSA作为代表性细菌,确认MoS2是一种非抗菌表面(见图S1),由此我们确定MoS2本身并不具有抗菌性,因此适合作为细菌检测的表面。

2.3 细菌结合抗体修饰的MoS2
关于使用MoS2作为生物传感器平台的现有文献表明,首先用抗体覆盖MoS2表面可以显著提高传感性能[11]、[27]。在这项工作中,我们选择了mAb F598作为已知能与多种细菌结合的代表抗体[28]、[29]、[30]。鉴于PNAG在生物膜形成和细菌粘附中的关键作用,我们假设F598可以作为选择性强的工具来捕获细菌细胞。为了验证F598单克隆抗体的有效性,我们使用共聚焦激光扫描显微镜(CLSM)进行了一系列测试。首先,将MoS2芯片在磷酸盐缓冲盐水(PBS)中以10 μg/mL的浓度用F598进行功能化处理。芯片尺寸约为0.6 × 0.6 cm2,将50 μL的F598溶液在室温下孵育30分钟。之后,用PBS清洗芯片两次。然后,在LB培养基中加入50 μL的MRSA溶液(OD600 = 0.1),并将其孵育在F598功能化的MoS2芯片和未功能化的MoS2芯片上。这些芯片在室温下孵育30分钟后再次用PBS清洗两次。最后,使用活/死细胞染色剂(SYTO 9和碘化丙啶(PI)对芯片进行染色,并通过CLSM观察。SYTO 9与细胞膜和核酸结合时发出绿色荧光;PI染料会损伤细胞并呈现红色荧光。由于这些图像是在孵育30分钟后直接拍摄的,因此图中没有可见的死亡细胞(没有红色荧光)。图3a和b展示了实验结果,绿色圆形荧光区域是单个MRSA细胞。第一张图像(3a)显示只有少量细菌附着在MoS2片层表面;而第二张图像(3b)则显示有大量细菌附着。这表明使用抗体直接修饰MoS2表面可以显著增加细菌的附着量。通过CellC细胞计数软件对附着在MoS2表面的细菌数量进行了量化,图3d中的结果图显示,用F598抗体功能化的MoS2表面上的MRSA附着量明显更多。F598抗体的有效性也在图S2中得到了体现,只有在使用抗体首次捕获MRSA颗粒时才会出现光谱变化。

2.4 拉曼光谱中的峰值比揭示了MRSA的成功检测
为了进一步评估MoS?与生物成分之间的化学相互作用,我们对未用于初始CLSM研究的新传感器芯片进行了拉曼光谱分析。收集了不同MoS2样品的条件下的光谱数据后(每个样品大约200条光谱),对光谱进行了平均、基线校正和归一化。结果光谱见图4a。空气中的MoS2、MoS2 + PBS和MoS2 + F598的光谱具有相似的形状和峰值比。这些光谱在383和403 cm?1附近有两个特征峰,峰值比为2:3。而在MoS2 + F598 + MRSA的光谱中,峰值比发生了显著变化,几乎变为1:1(而在之前的所有光谱中比值约为2:3,其中第一个峰是E2g峰,第二个峰是A1g峰)。因此,通过拉曼光谱获得峰值比可以成功检测到MRSA的存在。基于峰值高度区分不同光谱的示例见散点图(图4b),该图根据A1g/E2g峰的比值显示了不同的组别分布。误差条是根据S3中计算的标准误差添加的,并通过统计分析得出了p值(<0.0001),表明根据A1g和E2g峰的比值,对照组(MoS2、MoS2 + PBS和MoS2 + F598)与MRSA样品(MoS2 + F598 + MRSA)之间存在显著差异。

2.5 光致发光光谱中的光谱形状变化实现了MRSA的成功检测
为了评估MoS?在不同生物条件下的光学性质变化,我们对未用于共聚焦或拉曼分析的新传感器芯片进行了光致发光(PL)光谱测试。对每种MoS2样品(N = 100个)与不同底物的组合进行了PL光谱测量(图5a)。空气中的MoS2(带有盖玻片)光谱作为对照,其特征峰位于689 nm处,该峰被用作其他光谱的基线。MoS2 + PBS和MoS2 + F598的对照光谱由于使用了液体样品,强度有所下降,特征峰略有宽化,最大值分别为667 nm和668 nm。有趣的是,MoS2 + F598 + MRSA的PL光谱在视觉上与对照组明显不同,峰宽显著增加,从640 nm延伸到705 nm,同时光谱形状也发生了变化。这些变化可以从PL光谱的半高全宽(FWHM)平均值中明显观察到。这些变化直接与附着在MoS2芯片表面的MRSA有关。

2.6 使用拉曼和PL光谱进行细菌检测的限界(传感器的灵敏度和特异性)
为了评估抗体在传感器中促进快速检测的作用,我们进行了实验,将MRSA直接施加到MoS2表面30分钟,然后收集拉曼和PL光谱。如S2所示,光谱没有显著变化,这证实了在样品孵育前将抗体固定在MoS2表面上的关键作用。为了确定基于MoS?的生物传感器的灵敏度,通过序列稀释和细菌载量定量来确定检测限(LOD)。这种转换是通过以对数尺度(10的幂次)进行系列稀释,并通过后续的平板计数将OD600测量值转换为CFU/mL值来实现的[37]、[38]。从OD600 = 1开始,将MRSA细菌进行系列稀释(每份稀释液1 × 10?1–1 × 10??),然后将其接种到琼脂平板上(每个平板三次重复)。图S6显示了24小时后的生长情况,OD600 = 1的样品的CFU/mL值约为1.28 × 10?。确定这一数值后,通过稀释初始样品,使用拉曼和光致发光光谱测试了检测限,发现检测限为OD600 = 0.000001或大约128 CFU/mL(这些光谱见图S5)。

2.7 使用ML基于PL和Raman数据成功检测细菌样本
为了实现光谱数据的快速自动分类,我们采用了在相同样品条件下(包括空气中的MoS2、PBS、F598和MRSA)收集的拉曼和PL光谱上进行训练的卷积神经网络(CNN)。虽然之前的分析突出了明显的光谱特征——例如拉曼光谱中的峰位和PL光谱中的形状变化——但手动分类既耗时又依赖于专家解释。CNN方法允许高效、高通量的分类,无需在分析过程中使用参考光谱。图6a和b分别展示了平均后的拉曼光谱和平均后的PL光谱,说明了空气、PBS、F598和MRSA之间的光谱差异。为了标准化深度学习分析的输入数据,光谱数据经过预处理,包括平均化和下采样,将原始的光谱分辨率降低到50个具有代表性的波长点,同时保留了关键的光谱特征。每个样本对应于通过空间映射测量获得的像素级拉曼(Raman)或光致发光(PL)光谱,其中PL图由7×7像素组成,拉曼图由11×11像素组成。为了对这些光谱进行分类,我们分别输入拉曼数据和PL数据来训练卷积神经网络(CNN)。为了训练和评估CNN模型,我们使用了在不同条件下(空气、PBS、F598和MRSA)获得的光谱数据。下载:下载高分辨率图像(367KB)下载:下载全尺寸图像。图6. 使用CNN训练模型,展示了CNN的构建和性能。(a) 用于检测空气、PBS、F598和MRSA的MoS2平均拉曼数据。(b) 用于检测空气、PBS、F598和MRSA的MoS2平均PL数据。(c) 用于分类拉曼数据或PL数据的CNN架构。(d) 使用拉曼数据训练CNN的进展。(e) 使用PL数据训练CNN的进展。拉曼光谱的总数据集包含844个样本(每类211个),而PL数据集包含396个样本(每类99个)。如图6a和b所示,平均光谱是通过在每种条件下对所有像素级光谱进行平均计算得出的,而CNN训练则是使用单个光谱进行的。这些数据集被划分为训练集、验证集和测试集,比例为7:2:1,以确保分布均匀。具体来说,对于拉曼数据,有592个样本用于训练(每类148个),168个用于验证(每类42个),84个用于测试(每类21个)。同样,对于PL数据,划分结果为276个训练样本(每类69个),80个验证样本(每类20个),以及40个测试样本(每类10个)。这样的划分使得在现有数据集内能够进行CNN的训练和评估,同时保持独立的验证和测试子集。这种划分确保了模型在多样化的光谱上进行训练,同时保留了独立的验证和测试数据集,从而进行无偏评估。由于拉曼和PL光谱都是基于一维信息的,因此采用了1D CNN进行分类。CNN架构(如图6c所示)包括三个卷积层,每个卷积层之后都跟着一个最大池化层,这样可以逐步提取光谱特征并降低维度。提取的特征随后通过全连接层处理,最终到达输出层,将输入光谱分配到四个类别中的一个。为了确保评估的一致性和公平性,相同的CNN架构被应用于拉曼和PL数据集,从而可以直接比较它们的分类性能和特征提取能力。表1展示了用于拉曼和PL分类的CNN的详细架构。(见表2。)表1. 各种MoS2细菌传感器的比较。感测技术MoS2的形式传感器目标检测限/灵敏度结果时间参考光谱学拉曼2D单层MoS2薄片MRSA128 CFU/mL 13秒本文光谱学PL2D单层MoS2薄片MRSA128 CFU/mL 2-3分钟本文FET与TiO2的混合纳米结构金黄色葡萄球菌50-100 CFU/mL 22秒[51]悬浮的MoS2原子层大肠杆菌10 CFU/mL[52]二次谐波产生2D单层MoS2薄片大肠杆菌和干酪乳杆菌0.1% 大约2-3分钟[51]SERSMoS2@AuNSs纳米薄片金黄色葡萄球菌单细胞10分钟[53]MoS2@AuNSs金黄色葡萄球菌和大肠杆菌100 CFU/mL[52]CuPc/MoS2异质结构大肠杆菌0.6 CFU/mL 大约1分钟[53]光纤表面等离子体共振免疫传感器MoS2纳米片大肠杆菌94 CFU/mL[50]表2. 机器学习的设置参数。层名输出尺寸过滤器核大小步长填充激活备注输入50×1×1–––––50点下采样的光谱Conv150×1×64649×11相同ReLUBatchNorm after ConvMaxPool125×1×64–2×12––下采样2倍Conv225×1×32327×11相同ReLUBatchNorm after ConvMaxPool213×1×32–2×12––下采样2倍Conv313×1×16165×11相同ReLUBatchNorm after ConvMaxPool37×1×16–2×12––下采样2倍FC116––––ReLU丢弃率0.3FC2(输出)4––––softmax4类训练期间拉曼和PL分类的模型准确率和验证准确率分别见图6d和e。训练和验证准确率的趋势相似,表明网络没有出现过拟合。此外,训练过程重复了五次,使用不同的数据集分割,以确保结果的可靠性和可重复性,具体见表S1。结果,拉曼和PL数据集的测试准确率及其偏差分别为84.41±3.76%、86.67±3.71%、90.25±4.63%和89.00±6.75%。重复实验中观察到的变化反映了测试子集的大小有限以及随机数据分割的影响,少量错误分类的光谱可能导致报告的准确率出现显著变化。报告的准确率反映了该数据集和实验配置下的分类性能。因此,CNN能够对拉曼和PL数据进行分类。对于CNN分类至关重要的拉曼和PL光谱的详细区域显示在支持信息中(图S10c和S10d)。结果显示,对于拉曼光谱,最重要的区域是两个峰值区域(大约384 cm?1和403 cm?1),这与我们在实验数据中观察到的结果一致。同样,在PL光谱中,很可能是因为光谱形状的变化(导致机器学习中的不同分类),这也可以用半高全宽来描述。有趣的是,PL CNN的准确率高于拉曼CNN。准确率的提升是以光谱采集速度的显著降低为代价的。虽然300–500 cm?1范围内的平均拉曼光谱采集时间为13秒,但在550-800 nm范围内的平均PL扫描则需要2-3分钟的仪器时间。3. 过渡金属硫属化合物已成为下一代生物传感器的研究前沿。这类研究的目的是提供传统检测方法的替代方案,这种方案在病原体检测方面既快速又准确。特别是MoS2由于其生物相容性和电荷特性而受到越来越多的关注。MoS2也相对容易合成,使用化学气相沉积可以制备出相当均匀的单层MoS2薄片。这些实验是在较长时间内进行的,使用了大约20批不同的MoS2芯片。单个薄片的大小有些差异(5-20 μm),但在不同薄片和不同生长批次之间,性能(包括拉曼和PL光谱以及细菌粘附测试)是一致的。SiO2基板以及Mo和S前体使得MoS2芯片的生产相对便宜且可扩展。此外,2D单层MoS2中的硫空位允许简单地将抗体和分析物无标记地固定在MoS2表面。还应该注意的是,2D MoS2具有直接的带隙(1.8 eV),使其成为光致发光光谱的理想材料。光谱学是一种基本利用光生成光谱的技术,用于检测、确定或量化样品的分子和/或结构组成,越来越多地用于生物标志物的识别。拉曼光谱是一种使用光(通常是激光)测量样品振动能量模式的技术[44]、[45]。由此产生的拉曼散射是一个弹性过程,可以提供化学和结构信息,通过独特的拉曼指纹来识别物质[44]、[45]。在拉曼光谱中,有多种机制被认为会导致A1g峰强度的变化,这些变化归因于细菌粘附。这包括边缘效应和分子相互作用。在MoS2薄片的边缘,吸附通常更强,如在SEM和共聚焦图像中所见(图3)。在SERS中已经证实,吸附物的存在可以改变介电环境,导致A1g峰强度的减弱。MoS2天然表现为n型半导体,与硫空位有关。这与边缘效应相吻合,因为CVD生长的MoS2通常在边缘含有更多的硫空位。因此,细菌粘附到MoS2表面的这些机制效应直接关系到A1g峰的减弱[21]、[25]、[53]。基于峰值比例数据的统计分析显示,当将对照组(空气中的MoS2、MoS2+PBS和MoS2+F598)与细菌样本(MoS2+F598+MRSA)进行比较时,p值<0.0001。因此,由于MRSA粘附到2D薄片表面,MoS2的A1g峰强度发生了明显且显著的变化。光致发光光谱是另一种使用激光的技术,可以表征分子的光学和电子性质。光谱是通过光激发生成的,其中光被吸收并赋予材料额外的能量,类似于拉曼,可以找到材料独特的PL谱。与拉曼类似,2D材料的PL光谱也容易受到表面附着的影响,从而导致峰宽的增加[38]、[39]。统计分析显示,当将对照组(空气中的MoS2、MoS2+PBS和MoS2+F598)与细菌样本(MoS2+F598+MRSA)进行比较时,FWHM的p值<0.0001。因此,PL光谱中的显著峰宽增加和随后的FWHM增加是由于MRSA细胞粘附到MoS2表面造成的。结合使用这些技术可以提供关于样品化学、光学和电子性质的互补信息。通常,用于区分和分类不同样本的光谱数据伴随着某种形式的机器学习(ML)。这是因为ML技术可以通过训练算法来提高光谱工具的效率,并通过一致地检测光谱数据的变化来提高光谱分析的准确性[46]、[47]。卷积神经网络(CNN)是一种深度学习算法,特别适用于可视化数据,如光谱。该技术是一种前馈神经网络,通过滤波器优化来学习区分特征[48]、[49]。因此,它是一种适合分类各种光谱数据集的ML技术[28]、[29]、[30]、[31]、[32]。因此,这种传感器基于2D MoS2薄片平台,利用抗体促进细菌粘附到MoS2薄片上,最终导致拉曼和PL光谱的变化,这些变化由CNN检测到。具体来说,CNN的重要性得分显示,对于拉曼光谱,最重要的区域是在403 cm?1处,即A1g峰,对应于MoS2的垂直于平面的振动模式。这表明由于细菌粘附到MoS2表面,A1g峰的强度降低,这一点在实验数据和CNN数据中都有体现。同样,对于PL光谱,CNN的重要性得分显示,在620–730 nm区域,MoS2表面的细菌粘附与MoS2的表面化学和电子结构之间存在直接相关性。此外,还对CNN数据(S11)进行了ROC分析,结果证实了在决策阈值下的强大分类性能。虽然MoS2已经成功集成到场效应晶体管(FET)中用于检测包括细菌在内的生物分子,但该项目重点关注其集成到光学传感器中[11]。选择这种方法是因为电化学传感器对温度和盐都有敏感性。这些实验中使用的抗体(F598)被稀释在磷酸盐缓冲盐水(生理盐水溶液)中。这些盐可能会污染并影响电流读数。此外,光谱学方法是非破坏性的,允许使用异丙醇(IPA)冲洗后重复使用相同的MoS2芯片。与我们的工作相比,Kaushik等人最近进行的实验开发了一种基于光纤表面等离子体共振(SPR)的大肠杆菌传感器,利用了生物功能化的MoS2纳米片[50]。值得注意的是,该技术也首先使用抗体涂层MoS2,从而实现了成功的检测。光纤SPR系统的一个主要缺点是由于使用抗体的不稳定性而导致传感器性能下降。我们的传感器平台可以克服这一挑战,因为它可以连续重复使用并重新功能化抗体。Kim等人的工作探讨了使用二次谐波产生(SHG)来识别MoS2薄片表面的单个细菌[51]。虽然他们报告了不同微生物物种之间的SGH存在显著差异,但他们是通过用紫外光源破裂细胞来实现的。由于我们对非破坏性技术用于在液体条件下检测细菌感兴趣,因此这种技术并不适用,因为它需要破坏细胞。尽管有许多研究使用MoS2来进行表面增强拉曼光谱(SERS),但并没有采用这种技术。虽然SERS在病原体检测方面具有潜力,但存在一些限制。目前使用SERS作为细菌传感器的研究采用滴涂法,其中细菌样本与SERS基底一起干燥[52],[53]。这可能导致浓度不稳定,并增加制备基底和样本所需的时间。本研究提供了一种不需要干燥时间的技术,可以在液体条件下进行,并在芯片上放置盖玻片。这减少了收集光谱所需的时间,同时在不影响处理活细菌样本的安全性的前提下进行。使用这种传感器的一个主要优点是选择了非常小的光谱范围进行拉曼和光致发光(PL)光谱分析,这与之前的研究不同。这使得能够快速收集光谱,从而实现细菌检测。这些结果显示了基于MRSA的快速细菌检测的概念验证。下表(表1)显示了使用MoS2的细菌病原体检测方法的基准测试结果。我们可以看到,与其它类似技术相比,本研究的检测限具有可比性。

考虑这一传感器系统的潜在临床转化非常重要。该系统相对容易扩展,因为创建CVD单层MoS2的时间只需大约10分钟。此外,由于拉曼光谱测量需要13秒,PL光谱测量需要2-3分钟,而当网络已经设置和校准后,CNN处理基本上是即时的。虽然所需仪器的相对成本(用于制造MoS2的CVD系统和拉曼/PL光谱系统)较高,但MoS2的原材料相对便宜。此外,作为传感器平台使用PL或拉曼也有所不同。虽然拉曼测量只需13秒,但PL测量需要2-3分钟。然而,使用我们的CNN进行样本识别时,PL数据的准确性略高(分别为96%和86%)。考虑到这一点,PL系统可能更适合即时诊断,因为测量时间仍然较短。未来,减少粘附步骤的方法将有助于实现更好的即时诊断。

还需要注意的是,本研究旨在证明抗体功能化单层MoS2作为光学生物传感平台在潮湿、生物相关条件下的细菌检测能力。尽管目前的工作明确了细菌粘附的拉曼和光致发光特征,并展示了强大的机器学习辅助分类能力,但仍有几项重要工作需要进一步开展。这些工作包括在复杂生物基质(如血液、尿液或伤口渗出物)中的系统研究、针对更广泛的细菌物种和临床相关菌株的扩展测试,以及使用需要真空或控制环境的互补技术进行的界面电子和激子效应的深入机制研究。此外,未来的工作将集中在优化表面功能化策略、减少孵育时间,并将平台转化为可扩展的应用型传感架构。这些方向将直接建立在这里验证的基础上,并将在专门的后续研究中解决。

**4. 结论**

总之,我们的结果展示了一种基于抗体功能化MoS2的快速细菌检测传感器,利用拉曼光谱和光致发光技术。由于所选抗体通常与表达PNAG的细菌结合,因此选择了MRSA作为代表性细菌物种。使用该传感器可以在30分钟孵育时间内准确快速地检测到低至128 CFU/mL的MRSA。通过关注拉曼和光致发光光谱中的特征MoS2峰值,实现了简单快速的检测,并通过卷积神经网络的形式增强了检测能力。使用CNN时,我们获得了86%和96%的高准确率。当样本中含有MRSA时,两种光谱方法都显示了明显的光谱变化,且所有含有MRSA的测试数据都被CNN正确识别。我们认为,根据所选抗体的不同,这种传感器可以广泛适用于其他细菌物种的检测。

**5. 材料与方法**

**5.1. 材料**

MRSA(耐甲氧西林金黄色葡萄球菌)来自美国类型培养物收集中心(American Type Culture Collection)。具体来说,本研究中的所有实验使用了MRSA ATCC700699菌株。由于MRSA是一种高风险病原体,所有培养、样本制备和实验都在BSL-2级别条件下进行,并配备了适当的个人防护装备(实验大衣、护目镜、手套和封闭式鞋子)。

**5.2. 方法**

**5.2.1. 二维MoS2合成**

二维MoS2片材是通过化学气相沉积法在管式炉中合成的,方法参考了Irfan H等人的描述[33]。简要来说,硫粉在180°C下蒸发,然后通过非反应性载气带入 zones-2,在那里预先涂有Mo前驱体的300 nm SiO2基底在750°C下进行沉积。

**5.2.2. 特性测试**

**5.2.2.1. 拉曼和光致发光光谱**

使用HORIBA LabRAM HR Evolution Micro-Raman光谱仪和532 nm激光源、1800 g/mm光栅对MoS2片材进行了单次光谱测量。选择了片材的不同区域(如中心、边缘、角落等)。光致发光测量使用了600 g/mm光栅(532 nm激光源)。拉曼和光致发光都在同一台仪器上进行。

**5.2.2.2. 原子力显微镜表征**

使用Cypher ES AFM显微镜(Oxford Instrument, Asylum Research, Santa Barbara, CA, USA)在接触模式下对MoS2片材的不同部分进行了原子力显微镜表征。图像在室温条件下使用AC240悬臂棒(Oxford Instrument, Asylum Research, Santa Barbara, CA, USA)收集。悬臂棒的操作模式为AC模式,Normal弹簧常数为2 N/m。高度追踪的设置比例为0.7–0.8,以防止在成像过程中产生过大的力,从而保持MoS2单片结构的完整性。

**5.2.2.3. 透射电子显微镜(TEM)- 电子衍射图案**

在JEOL 1010 TEM(JEOL, Musashino, Akishima, Tokyo, Japan)上进行了透射电子显微镜(TEM)和选区电子衍射(SAED)分析。使用100 kV的加速电压,并同时使用聚光镜和物镜孔径以获得最佳对比度。MoS2样品通过化学气相沉积制备,并制备在强碳TEM网格上。

**5.2.2.4. F598抗体测试**

从Gerald B. Pier(哈佛医学院)处获得的F598抗体在PBS中配制至10 μg/mL浓度。将50 μL该溶液滴涂在MoS2芯片上,在室温下孵育30分钟。然后用PBS冲洗芯片两次。接着制备OD600 = 0.1的MRSA悬浮液在LB中,再分别将约50 μL滴涂在mAb功能化MoS2表面和非功能化MoS2表面(作为对照),并在室温下孵育30分钟。最后用PBS冲洗两次。为了准备共聚焦扫描激光显微镜(CLSM)检测,mAb功能化和非mAb功能化的MRSA涂层芯片分别用LIVE/DEAD BacLight细菌可见性试剂盒(包括SYTO 9和propidium iodide,Molecular Probes, Invitrogen, Grand Island, NY, USA)进行染色。SYTO 9与完整和受损细胞膜中的核酸结合,这些区域呈现绿色;PI与不可存活(死亡)的细胞膜结合,这些区域呈现红色。然后在Olympus Fluoview FV1200倒置显微镜和ZEISS LSM 880 Airyscan正置显微镜上进行CLSM检测。为了防止光漂白,使用了单表面共聚焦扫描。使用Cell C软件量化了活细胞与死细胞的比率。

**5.2.2.5. 扫描电子显微镜(SEM)- MoS2芯片上的MRSA图像**

按照F598抗体测试的方法准备了MoS2芯片。首先将稀释的F598孵育在MoS2芯片上,然后用PBS冲洗,再将0.1 OD600的MRSA在LB中孵育在MoS2表面。最后用PBS冲洗,然后用3% glutaraldehyde和3% formaldehyde在pH 7.4的钠缩醛酸盐缓冲液中对芯片进行化学固定,随后用不同浓度的乙醇(30%、60%、80%、90%、100%和100%)进行脱水处理。固定的芯片在100%乙醇溶液中过夜干燥2小时后再进行成像。使用场发射SEM(FEI Verios SEM, VP Oberkochen, BW, Germany)获得扫描电镜图像。

**5.2.2.6. 拉曼光谱 - 用于细菌检测**

使用Horiba LabRAM Raman光谱仪和532 nm激光源、1800 mm光栅获得了MoS2、MoS2 + PBS、MoS2 + F598和MoS2 + F598 + MRSA的光谱。每个芯片样本都放置了盖玻片。在用PBS冲洗后,为了防止干燥,这些芯片表面保留了少量PBS。光谱测量范围为300–500 cm?1,每个类别取了200个个体光谱并平均得到图4(每个光谱的采集时间为2秒,累积时间为2次)。此外,还收集了步长为1um的地图用于机器学习。地图大小取决于单个片材的大小。

**5.2.2.7. 拉曼光谱的检出限(LOD)测试**

为了确定LOD,将OD600 = 0.1的MRSA样品在LB中连续稀释10倍。这些稀释液在MoS2表面上孵育30分钟(经过F598抗体功能化处理)。观察到300–500 cm?1范围内的光谱以及特征性的MoS2峰值。确定的LOD为OD600 = 0.000001。确定LOD后,通过平板计数将OD600 = 0.000001的值转换为CFU/mL(每毫升培养物中的菌落形成单位)。

**5.2.2.8. 光致发光光谱用于细菌检测**

拉曼检测的参数同样用于光致发光检测,唯一的区别是使用了600 mm光栅和550–800 nm的光谱范围。也进行了相同的LOD测试,结果发现PL的LOD也为0.000001。

**5.2.2.9. 机器学习**

使用机器学习(ML)将光谱分类到各自的类别中。数据收集为每个类别中单个MoS2片材的地图。具体来说,使用了卷积神经网络(CNN)来区分不同的样本类别(空气中的MoS2、MoS2 + PBS、MoS2 + F598和MoS2 + F598 + MRSA)。训练使用Adam优化器,初始学习率为1 × 10?3,小批量大小为16,训练周期为20个周期。每个周期数据都会被shuffle。训练过程中使用了包含20%数据集的类平衡验证集来监控模型性能。通过0.3的dropout层和基于验证的性能监控来减轻过拟合。数据集按7:2:1的比例划分为训练集、验证集和测试集。图6c展示了预处理和CNN工作流程的示意图,表1总结了详细的层配置。

**CRediT作者贡献声明**

Serena Ch'ng:写作 - 审稿与编辑、写作 - 原稿撰写、可视化、验证、软件、方法论、研究、形式分析、数据管理、概念化。
Irfan H. Abidi:写作 - 审稿与编辑、可视化、验证、监督、方法论、研究、形式分析。
Pierre Vaillant:写作 - 审稿与编辑、可视化、验证、方法论、研究。
Shreehari Kodakkat:写作 - 审稿与编辑、可视化、方法论、研究、形式分析。
Thiha Aung:写作 - 审稿与编辑、可视化、验证、监督、软件、方法论、研究、数据管理、概念化。
Akram Al- Hourani:写作 - 审稿与编辑、验证、监督、资源管理、方法论、研究、形式分析、数据管理、概念化。
Manoj Sehrawat:写作 - 审稿与编辑、方法论、研究、形式分析。
Gerald B. Pier:写作 - 审稿与编辑、验证、资源管理、方法论、研究。苏米特·瓦利亚(Sumeet Walia)的职责包括:写作(审阅与编辑、起草初稿)、验证、监督、资源管理、项目统筹、方法论研究、资料收集、资金争取、形式化分析以及概念构建。保罗·A·拉姆斯兰(Paul A. Ramsland)的职责同样涵盖写作(审阅与编辑、起草初稿)、验证、监督、软件开发、资源管理、项目统筹、方法论研究、资料收集、资金争取、形式化分析、数据分析以及概念构建。亚伦·埃尔伯恩(Aaron Elbourne)的职责还包括:写作(审阅与编辑、起草初稿)、可视化展示、验证、监督、软件开发、资源管理、项目统筹、方法论研究、资料收集、资金争取、形式化分析以及概念构建。

未引用的参考文献[10]
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