基于比率型铜纳米团荧光探针与深度学习的智能检测技术,用于识别食品中的四环素类抗生素

《Spectrochimica Acta Part A: Molecular and Biomolecular Spectroscopy》:Ratiometric copper nanocluster fluorescence probe coupled with deep learning for intelligent recognition of tetracycline antibiotics in food

【字体: 大 中 小 】 时间:2026年06月21日 来源:Spectrochimica Acta Part A: Molecular and Biomolecular Spectroscopy 4.3

编辑推荐:

  Aijia Xiang|Xu Lin|Xinjie Yang|Hui Xu|Jie Pang|Xiaoe Chen|Zhiming Yan福建农林大学食品科学学院,中国福州,350002摘要本研究开发了一种结合比率荧光检测与深度学习的策略,用于智能检测食品中的四环素类抗生素。分别

  
Aijia Xiang|Xu Lin|Xinjie Yang|Hui Xu|Jie Pang|Xiaoe Chen|Zhiming Yan
福建农林大学食品科学学院,中国福州,350002

摘要

本研究开发了一种结合比率荧光检测与深度学习的策略,用于智能检测食品中的四环素类抗生素。分别以牛血清白蛋白和2,3,5,6-四氟噻吩酚作为配体,合成了蓝光发射和藏红花黄光发射的铜纳米簇,进而构建出一种双发射比率荧光探针(BSA/TFTP@Cu NCs)。该探针对四环素、氯四环素和多西环素表现出不同的荧光响应特征,检测限低至9.26纳摩尔/升。在302纳米紫外线照射下,这三种抗生素的荧光颜色存在明显差异。为实现智能分析,研究人员开发了经过改进的ResNet50模型,该模型采用多任务学习及分阶段训练策略,能够同时完成四环素类抗生素的分类与浓度预测,分类准确率可达100%,浓度预测准确率超过98%(R2=0.989)。在加标牛奶、鸡蛋和蜂蜜样品的分析中,荧光法的回收率在90.48%到107.93%之间,而深度学习法的回收率则在90.28%到98.53%之间。本研究为食品安全监测中快速、准确且智能地检测抗生素残留提供了一种新方法。

引言

四环素类抗生素具有由四个线性连接的六元环构成的四环酰胺结构。由于其广谱且强效的抗菌特性,这类抗生素被广泛用于畜禽养殖中,用于疾病预防和促进生长[1]、[2]。然而,由于过度使用以及未能遵守停药期等不当做法,导致食品中积累了大量四环素类抗生素残留。长期摄入这类受污染的食品会对消费者健康造成严重危害,包括胃肠道问题、过敏反应以及抗生素耐药性的传播[3]、[4]。鉴于全球对食品安全问题的日益关注,许多国家和地区都制定了严格的四环素类抗生素在食品中的最大残留限量。例如,中国和欧盟都将肉类和乳制品中四环素类抗生素的总残留限量设定为100微克/千克[5]、[6]。因此,开发准确、灵敏且能适应不同食品基质的检测方法,对于保障食品安全和公众健康至关重要。
目前,检测四环素类抗生素的标准实验室方法主要是高效液相色谱法[7]和液相色谱-串联质谱法[8]。但这些方法存在仪器昂贵、样品前处理繁琐以及分析时间长的缺点,不适合现场快速筛查[9]。相比之下,荧光传感器因其响应迅速、操作简单、经济实用且具备可视化输出功能,在食品安全监测中受到了广泛关注[10]。尤其是那些具有多个发射波段的比率荧光探针,由于内置了校准信号,能够有效消除环境变化和探针浓度波动带来的干扰,从而显著提高检测精度和抗干扰能力[11]、[12]。金属纳米簇作为一种有潜力的荧光纳米材料,因其原子级精确的结构、量子限制效应以及优异的光稳定性,被广泛应用于此类探针的制备中[13]、[14]。与贵金属纳米簇相比,铜纳米簇具有成本更低、天然储量丰富等优点,更适用于实际应用[15]。更重要的是,通过调节表面配体,可以轻松调整铜纳米簇的发射波长,从蓝色到红色均可实现,这为设计多色、多通道的比率荧光探针提供了极大的灵活性[16]、[17]。
近年来,将机器学习与荧光成像技术相结合,成为开发智能食品安全检测系统的有效策略。谭等人开发了一种集成双通道逻辑门系统的比率荧光探针,可实现四环素类抗生素的实时定量分析[18]。谢等人则将基于金属有机框架的双发射比率荧光传感器与智能手机以及支持向量机模型相结合,大大提升了检测的智能化水平[19]。龙等人则利用量子点传感器与随机森林算法相结合,实现了氯四环素的便携式且准确的现场检测[20]。不过,现有的大多数研究仅专注于单一任务,如浓度预测,缺乏同时识别和分类不同类型四环素类抗生素的能力。由于各种四环素类抗生素在结构上相似且光谱重叠严重,要实现准确分类往往需要多通道检测或多模型融合,这会增加系统复杂性和数据处理难度。
作为深度学习的核心模型,卷积神经网络凭借其强大的特征自学习和图像识别能力,在图像分类、物体检测等视觉任务中表现出了卓越的性能[21]、[22]。然而,传统的卷积神经网络在网络深度增加时容易出现梯度消失和性能下降的问题。为了解决这一难题,何等人提出了残差网络,该网络通过引入基于恒等映射的残差连接,使得梯度能够有效地在深层网络中反向传播,从而支持更深层次架构的训练[23]。在各种残差网络变体中,ResNet50因其在计算效率与识别精度之间的良好平衡,成为图像特征提取的首选网络[24]、[25]。凭借其多层卷积结构和残差学习机制,ResNet50能够自动从原始荧光图像中提取出高度区分度的特征,有效避免了传统机器学习方法中依赖手工设计特征提取所带来的限制。这一能力为四环素类抗生素的智能分类和定量检测提供了有力的技术支撑。
本研究设计并构建了一个智能分析平台,该平台将比率荧光探针与深度学习技术相结合,用于高效率地分类和定量检测四环素、氯四环素和多西环素(见图1)。分别以牛血清白蛋白和2,3,5,6-四氟噻吩酚作为配体,合成了蓝光发射的BSA@Cu NCs和藏红花黄光发射的TFTP@Cu NCs,进而构建出一种多发射比率荧光探针(BSA/TFTP@Cu NCs)。在此基础上,通过整合经过改进的ResNet50网络,构建了一个端到端的智能分析系统。该系统采用分阶段的三阶段深度学习策略,协同优化了类别分类和浓度回归任务,实现了从荧光图像输入到四环素类抗生素类型识别及浓度预测的完整分析流程。这一策略有效解决了多任务学习中梯度竞争和任务冲突的问题,为快速、准确且智能地检测食品中的抗生素残留提供了创新解决方案。

章节节选

材料与方法

相关材料和仪器的详细信息详见补充资料。

铜纳米簇的特性分析

通过透射电子显微镜对BSA@Cu NCs和TFTP@Cu NCs的形态进行了分析。TFTP@Cu NCs呈现为长度不一的纳米带状结构,宽度约为40纳米(见图S1A)。而BSA@Cu NCs则呈近似球形,颗粒大小在2到3纳米之间(见图S1B)。此外,BSA@Cu NCs还具有良好的结晶性。高分辨率透射电子显微镜图像显示出清晰的晶格条纹,间距为0.19纳米,对应于Cu(0)的(111)晶面[30]。
XRD分析

结论

本研究成功开发了一种基于双发射铜纳米簇的比率荧光探针,可用于检测四环素类抗生素。该探针具有较高的灵敏度,能够直观区分不同的四环素类抗生素,并且在实际样品中表现出稳定的性能。通过将经过改进的ResNet50模型与分阶段训练策略相结合,构建出了一个智能识别模型,该模型能够准确识别四环素类抗生素的类型并预测其浓度。基于深度学习的

利益冲突声明

作者声明不存在任何可能影响本文研究的已知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(项目编号:31801640)、福建省自然科学基金(项目编号:2023J01077)以及福建农林大学科技创新专项基金(项目编号:KFB23133)的财政资助。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

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