基于银纳米粒子分形网络与梯度核大小卷积神经网络的智能SERS传感策略,用于高精度汗液监测

《Spectrochimica Acta Part A: Molecular and Biomolecular Spectroscopy》:Intelligent SERS sensing strategy based on ag NP fractal networks and gradient kernel size CNN for high-precision sweat monitoring

【字体: 大 中 小 】 时间:2026年06月14日 来源:Spectrochimica Acta Part A: Molecular and Biomolecular Spectroscopy 4.3

编辑推荐:

  Xin Li|Xinghua Yang|Rui Wang|Pingping Teng|Shuai Gao|Nan Lu|Xiaoyu Li|Adam Jones|Kang Li中国黑龙江省哈尔滨市哈尔滨工程大学,教育部光纤集成光学重点实验室,邮编150001摘要表面增强拉曼散射技

  
Xin Li|Xinghua Yang|Rui Wang|Pingping Teng|Shuai Gao|Nan Lu|Xiaoyu Li|Adam Jones|Kang Li
中国黑龙江省哈尔滨市哈尔滨工程大学,教育部光纤集成光学重点实验室,邮编150001

摘要

表面增强拉曼散射技术是用于汗液分析的极具潜力的工具,但由于信号噪声、非线性响应以及光谱重叠等问题,其在复杂样本中的定量精度受到限制。在本研究中,通过将银纳米粒子分形基底与梯度核尺寸卷积神经网络相结合,开发出一种智能型SERS传感策略。这种自组装的银纳米粒子基底能够产生大量电磁热点,从而实现从10?4到101?mM浓度范围内乳酸和葡萄糖的灵敏检测,其检测下限分别为108?nM和224?nM。主成分分析结果显示,经过预处理的SERS光谱中包含可区分的浓度相关信息。与线性回归、传统机器学习方法以及普通CNN相比,GKS-CNN通过从非线性且存在光谱重叠的数据中提取多尺度特征,实现了更好的预测性能。对于纯组分样本,乳酸和葡萄糖的R2值分别达到0.99和0.98;而在包含纯组分和混合组分的联合数据集中,这两者的R2值分别为0.98和0.97。在真实的汗液分析中,通过样本级分割来避免数据泄漏,该模型对四种运动状态的分类准确率可达95.00%。在20次重复随机分割和5折交叉验证中的平均准确率分别为94.50%和93.50%。这些结果表明,所提出的SERS-GKS-CNN策略在无创汗液代谢物分析以及初步生理状态识别方面具有应用潜力。

引言

近年来,个性化医疗和精准运动科学的发展使得对生理状态进行无创且实时监测的需求日益增加[1]。在各种可用于无创检测的生物流体中,人类汗液因含有多种分子、易于采集,且与血液代谢指标之间存在良好相关性而备受关注[2]。汗液中的生物标志物,尤其是乳酸和葡萄糖,能够反映重要的生理状况信息[3]。乳酸浓度通常被用作评估高强度运动过程中的无氧阈值和肌肉疲劳程度的指标[4]。同时,葡萄糖监测不仅对糖尿病控制至关重要,还有助于了解长期运动过程中的能量消耗和糖原消耗情况[5]。目前,汗液分析主要依赖于电化学传感器和酶传感器[6]、[7]、[8]、[9]。尽管这些方法已在商业产品中得到应用,但它们仍存在一些问题,比如酶的长期稳定性较差、在复杂化学环境中的选择性不足,以及难以同时检测多种参数[10]。
表面增强拉曼散射技术已成为生化传感领域中一种强大的工具。它具有极高的灵敏度,甚至能够在单分子层面提供“分子指纹”[11]、[12]。利用金属纳米结构的局域表面等离子体共振效应,SERS技术能够将拉曼信号强度提升数倍,从而有助于检测生物样本中的微量分析物[13]、[14]、[15]。然而,直接使用SERS技术对原始汗液进行检测仍然面临很大困难[16]、[17]、[18]、[19]。一个主要问题是,乳酸、葡萄糖和尿素等不同成分会呈现出重叠的峰谱[20]、[21],这使得传统分析方法难以发挥作用。此外,汗液中还含有蛋白质和盐类等物质,这些物质会导致强烈的荧光背景[22],往往掩盖目标物质的弱拉曼峰。而且,SERS基底上的“热点”分布往往较为随机,导致信号不稳定,无法用于定量分析[23]、[24]、[25]、[26]、[27]、[28]、[29]、[30]。
为了解决这些问题,研究人员开始将化学计量学和机器学习技术与SERS结合,以便从高维和非线性数据中获取有用信息[31]、[32]、[33]、[34]。部分最小二乘法和支持向量机这类传统方法常被用于光谱反卷积和回归分析[35]、[36]、[37],但这些“浅层”模型往往难以处理真实汗液SERS光谱中的复杂非线性关系和强背景噪声[38]、[39]、[40]、[41]。近年来,深度学习技术,尤其是卷积神经网络,展现出更强的自动特征提取能力[42]、[43]。即便如此,采用固定尺寸核函数的普通CNN仍面临着“尺度难题”[44]、[45]:宽基线波动需要较大的感受野来进行平滑处理,而尖锐的峰谱特征则需较小核函数才能实现精准检测。使用单一核函数尺寸往往会导致重要分子信息的丢失,尤其是在峰宽差异较大的混合系统中[46]。
在本研究中,我们提出了一种将基于银纳米粒子的SERS基底与梯度核尺寸卷积神经网络相结合的智能型SERS传感策略,用于汗液代谢物的分析。这种自组装的银纳米粒子基底能够产生大量电磁热点,从而实现从10?4到101?mM广泛浓度范围内的乳酸和葡萄糖的灵敏检测。首先通过主成分分析来观察不同浓度下SERS光谱的聚类趋势,结果表明预处理后的光谱中确实包含可区分的浓度相关信息。为进一步提升定量分析能力,我们设计了GKS-CNN模型,用于从复杂的SERS信号中提取多尺度光谱特征,并将其与线性回归、传统机器学习算法以及普通CNN模型进行了对比。实验结果表明,GKS-CNN在处理纯组分和混合组分样本时都能取得更好的预测效果,证明了其具备处理峰谱重叠、矩阵干扰以及非线性光谱响应的能力。最后,将该方法应用于真实的人类汗液样本,用于生理状态识别。该模型成功区分了休息、有氧运动、无氧运动和恢复四种运动状态,独立测试准确率为95.00%,而重复随机分割和5折交叉验证进一步证实了该模型的分类稳定性。这些结果表明,所提出的SERS-GKS-CNN策略在无创汗液代谢物分析以及未来的可穿戴健康监测应用方面具有广阔的应用前景。

章节节选

材料与仪器

本研究中所使用的化学试剂包括硝酸银(AgNO3,纯度99.8%)、柠檬酸三钠(C6H5Na3O7,纯度98%)、罗丹明6G(R6G,纯度95%)、硫酸(H2SO4,纯度98%)、过氧化氢(H2O2,浓度30%)、(3-氨基丙基)三乙氧基硅烷(APTES,纯度99%)、无水乙醇(C2H5OH,纯度99.9%)、L-乳酸(C3H6O3,纯度85.0%)以及d-葡萄糖(C6H12O6,纯度98%)。所有化学品均购自上海阿拉丁生化科技股份有限公司,均为分析级产品,可直接使用无需进一步处理

银纳米粒子基底的结构特征

我们利用透射电子显微镜研究了SERS基底的微观结构,相关结果如图3所示。在低倍放大图像中(图3(a)),可以看到银纳米粒子并非独立的颗粒,而是自组装成了具有众多分支的3D分形网络。这种结构为分子附着提供了较大的表面积,更重要的是,它在银粒子之间的微小间隙中形成了许多SERS“热点”

结论

综上所述,本研究通过将银纳米粒子分形基底与GKS-CNN模型相结合,开发并验证了一种用于汗液代谢物分析的智能型SERS传感策略。本研究构建的银纳米粒子分形基底能够产生大量电磁热点,从而实现对人工汗液中乳酸和葡萄糖在10?4到101?mM广泛浓度范围内的灵敏SERS检测。所得光谱显示出明显的浓度依赖性响应,而主成分分析

CRediT作者贡献说明

Xin Li:概念设计、研究方法、结果验证、正式分析、初稿撰写。Xinghua Yang:概念设计、资金筹集、研究指导、论文审阅与修改。Rui Wang:数据收集与分析。Pingping Teng:论文审阅与修改。Shuai Gao:论文审阅与修改。Nan Lu:数据整理与管理。
Xiaoyu Li:数据可视化。Adam Jones:论文审阅与修改。Kang Li:论文审阅与修改。

利益冲突声明

作者们声明以下可能被视为潜在利益冲突的财务利益或个人关系:Xinghua Yang和Pingping Teng表示他们获得了中国国家自然科学基金(项目编号62575084)的资助。其他作者则声明自己不存在任何可能影响本文研究结果的已知财务利益或个人关系。

致谢

本研究得到了中国国家自然科学基金的资助(项目编号62575084)。
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