用于铁螯合剂识别与定量分析的机器学习辅助比色传感器阵列

《Biosensors and Bioelectronics》:Machine Learning-Assisted Colorimetric Sensor Array for Identification and Quantitative Analysis of Iron Chelators

【字体: 大 中 小 】 时间:2026年08月27日 来源:Biosensors and Bioelectronics 11.8

编辑推荐:

   摘要同时监测多种铁螯合剂水平对于指导剂量调整以防止地中海贫血患者输血引起的铁过载至关重要。尽管基于模拟酶的比色测定方法很有吸引力,但多种螯合剂的交叉干扰以及大多数模拟酶在近中性 pH 值下活性较差,严重阻碍了对多种铁螯合剂的监测。在此,我们报告了一种整合机器学习的 FeNTA

  

摘要

同时监测多种铁螯合剂水平对于指导剂量调整以防止地中海贫血患者输血引起的铁过载至关重要。尽管基于模拟酶的比色测定方法很有吸引力,但多种螯合剂的交叉干扰以及大多数模拟酶在近中性 pH 值下活性较差,严重阻碍了对多种铁螯合剂的监测。在此,我们报告了一种整合机器学习的 FeNTA/POM(三价铁次氨基三乙酸/多金属氧酸盐)双底物比色传感器阵列,用于同时识别和定量多种铁螯合剂。POM 作为助催化剂促进电子转移和 Fe3+/Fe2+ 循环,确保传感器阵列在近中性 pH 值下具有优异的过氧化物酶样活性,这体现在 FeNTA/POM 对 3,3',5,5'-四甲基联苯胺 (TMB) 和 H2O2 的 Vmax 值分别是 FeNTA 的 7.1 倍和 4.9 倍。三种临床螯合剂,即去铁胺 (DFO)、地拉罗司 (DFX) 和去铁酮 (DFP),表现出不同的铁螯合能力 (DFO > DFX > DFP)。通过不同程度地破坏 Fe3+/Fe2+ 氧化还原循环,它们抑制了 FeNTA/POM 的过氧化物酶样活性,从而在存在 H2O2 和显色底物时产生独特的比色响应和特征指纹。通过结合机器学习算法,该传感器阵列能够实现人血清样品中多螯合剂水平的高精度区分和定量预测,回收率在 90.9 % 至 108.1 % 之间,可有效避免常规单信号读出方法中的交叉干扰。这种基于模拟酶的传感器阵列操作简单、成本低廉,且具备多组分识别能力,为铁螯合剂及复杂药物系统的智能比色分析提供了新的方法学框架。

引言

地中海贫血是一种遗传性溶血性贫血 (Galanello et al., 2010)。重症患者依赖定期输血维持生命,这不可避免地导致铁过载逐渐加重 (Taher et al., 2018; Arshad et al., 2017)。铁过载是多器官衰竭的主要原因,包括心脏、肝脏和内分泌功能障碍,也是导致这些患者死亡的主要因素 (Taher et al., 2017; Saliba et al., 2015; Ong et al., 2008)。铁螯合疗法对于提高生活质量和延长生存期至关重要。目前,临床上主要有三种铁螯合剂在使用,即去铁胺 (DFO)、地拉罗司 (DFX) 和去铁酮 (DFP),可单独或联合使用 (Kwiatkowski et al., 2011; Borgna-Pignatti et al., 2015)。联合疗法凭借其药物协同作用和快速清除铁的能力,在死亡率、心脏功能和内分泌功能等关键临床结果方面优于单药疗法 (Saliba et al., 2015; Origa et al., 2022; Galanello et al., 2010)。然而,螯合疗法也存在自身风险。每种药物都有其独特的药代动力学特征和毒性谱。与这些药物相关的不良反应共同涉及多个器官系统,包括神经毒性(影响听觉和视觉功能)、肾功能损害、肝肾功能障碍、胃肠道不适、粒细胞缺乏症和关节痛 (Olivieri et al., 1986; Adams et al., 2013; Fioredda et al., 2024; Choudhry et al., 2004)。因此,建立适合同时检测铁螯合剂的合适分析方法,对于指导个体化给药、提高疗效和降低不良反应风险具有重要的临床意义。
在过去的几十年里,各种方法已被用于检测单一类型的铁螯合剂 (DFO, DFX 或 DFP),包括高效液相色谱 (HPLC) (Arshad et al., 2017; De Francia et al., 2012)、液相色谱 - 质谱 (Chauzit et al., 2010; Song et al., 2012)、毛细管电泳 (CE) (Lin et al., 2016a; Lin et al., 2016b)、电化学方法 (Heli et al., 2010; Farokhi et al., 2023)、荧光测定技术 (Wang et al., 2020; Moharami et al., 2024) 和比色测定 (Shi et al., 2024; Li et al., 2024)。也曾尝试使用 HPLC 或 CE 同时监测患者血浆中的 DFO 和 DFP (Lin et al., 2016a; Goddard et al., 1990; Singh et al., 1992)。然而,这些方法大多依赖昂贵的仪器、复杂的样品前处理以及熟练的操作人员。相比之下,基于模拟酶的比色方法因其简单、可视化读出和高灵敏度而成为有吸引力的替代方案 (Yang et al., 2024)。然而,由于无法解决联合疗法引起的交叉干扰,常规单信号读出比色方法在混合系统中对多种螯合剂的定量分析仍然是一个主要挑战。此外,大多数过氧化物酶模拟物需要在酸性介质中才能具有良好的活性 (Li et al., 2024; Zhang et al., 2025),这与真实血液样品检测不兼容。酸性环境可能会水解某些分析物,从而损害定量的准确性 (Liu et al., 2025; Zhu et al., 2025)。
机器学习 (ML) 辅助传感器阵列由于其独特特征,可能为多种铁螯合剂的测定提供有前景的候选方案。与依赖“锁 - 钥”特异性识别机制的常规单信号传感范式不同,阵列策略通过多通道交叉响应产生高维数据 (Wei et al., 2026; Jiang et al., 2026)。在机器学习算法的支持下,该策略能够对复杂信息中的特征指纹进行深入挖掘和智能解释 (Huang et al., 2024; Tan et al., 2026; Bhaiyya et al., 2024)。然而,将模拟酶系统与 ML 模型整合用于多种铁螯合剂的智能分析仍很大程度上未被探索。在近中性 pH 值下设计高活性的模拟酶仍然很重要,且为三种功能相似但共存的铁螯合剂 (DFO, DFX 和 DFP) 开发差异响应模式困难重重。
在本研究中,我们构建了一种基于模拟酶的 FeNTA/POM 双底物比色传感器阵列,并将其与机器学习算法整合,成功实现了对三种铁螯合剂 (DFO, DFX 和 DFP) 的识别和定量分析 (Scheme 1)。为了调节模拟酶的活性,我们利用了 POM 的独特结构和催化特性。POM 作为助催化剂促进类 Fenton 反应中的电子转移和 Fe2+ 再生,从而在近中性 pH 条件下产生高过氧化物酶样活性。这种策略不仅扩展了类 Fenton 反应的操作 pH 范围,也为高效近中性过氧化物酶模拟物建立了新范式,为生物传感应用提供了巨大潜力。DFO (六齿,1:1)、DFX (三齿,1:2) 和 DFP (二齿,1:3) 差异化抑制 FeNTA/POM 的过氧化物酶样活性,这与它们的铁螯合能力 (DFO > DFX > DFP) 以及随之导致的 Fe3+/Fe2+ 氧化还原循环破坏相关。这种差异化抑制在存在 H2O2 和显色底物 (3,3',5,5'-四甲基联苯胺,TMB 和 2,2'-联氮 - 双 (3-乙基苯并噻唑啉 -6-磺酸),ABTS) 时产生多样化的比色响应,从而产生特征性多维信号指纹。通过整合一系列机器学习算法,传感器阵列有效区分并定量检测了三种螯合剂,人工神经网络 (ANN) 模型进一步允许在混合系统中同时预测 DFO 和 DFX 浓度。本研究为同时监测铁螯合剂提供了一种简单、低成本的策略,并扩展了基于模拟酶的传感器阵列在复杂药物监测中的应用前景。

章节片段

由 β-Mo2C 合成 POM

通常,将 2.0 g β-Mo2C 粉末与 15 mL H2O 在剧烈搅拌下充分混合。随后,将 2.00 mL 30 % H2O2 滴入悬浮液中,并将混合物保持 12 h。反应完成后,通过 3000 rpm 离心分离未反应的 β-Mo2C。所得上清液冷冻干燥得到深蓝色粉末,随后将其命名为 POM。

FeNTA/POM 的过氧化物酶样活性评估

FeNTA/POM 的过氧化物酶样活性是使用 TMB 和 ABTS 作为

POM 的合成与表征

以 β-Mo2C 块体为前驱体,通过一锅氧化法制备 POM 纳米颗粒 (Fig. 1a),并通过追踪 750 nm 处的吸光度变化来监测合成过程 (Fig. S1)。通过多种互补技术对具有潜在助催化活性的 POM 的成功合成进行了系统表征。扫描电子显微镜 (SEM) 图像显示,原始 β-Mo2C 呈现块状形貌 (Fig. S2)。用 H2O2 氧化后,产物

结论

总之,结合机器学习算法的基于 FeNTA/POM 模拟酶的双底物比色传感器阵列成功实现了对三种铁螯合剂 (DFO, DFX 和 DFP) 的识别和定量。将 POM 作为助催化剂的引入,通过促进电子转移和 Fe2+ 再生,极大地提高了近中性 pH 值下的过氧化物酶样活性,克服了传统模拟酶系统的酸性 pH 限制,并提高了与

CRediT 作者贡献声明

Shulin Zhao: 项目管理。 Fanggui Ye: 写作 – 审查与编辑,监督,资金获取,概念化。 Liuding Wang: 调查。 Tingyao Zhou: 写作 – 审查与编辑,监督,概念化。 Yuanlin Huang: 写作 – 初稿,方法论,调查,概念化。 Yuan Qin: 数据整理

未引用参考文献

Abbas et al., 2012; Adams and Bird, 2013; Bayanzay and Alzoebie, 2016; Borgna-Pignatti and Marsella, 2015; Fioredda and Forni, 2024; Galanello and Origa, 2010; Goddard and Kontoghiorghes, 1990; Kalshetti et al., 2015; Kwiatkowski, 2011; Li et al., 2024; Motekaitis and Martell, 1994; Taher and Saliba, 2017; Tesoro et al., 1989; Yamashita and Hayes, 2008.

竞争利益声明

作者声明,他们没有已知的竞争性经济利益或个人关系,这些利益或关系可能影响本文报告的工作。

竞争利益声明

? 作者声明,他们没有已知的竞争性经济利益或个人关系,这些利益或关系可能影响本文报告的工作。

致谢

这项工作得到了 国家自然科学基金 (22464005), 国家自然科学基金 区域创新发展 联合基金重点项目 (U23A20686), 和广西 研究生教育 创新项目 (XYCB2026010) 的资助。
Yuanlin Huang|Yuan Qin|Liuding Wang|Tingyao Zhou|Shulin Zhao|Fanggui Ye
教育部药用资源化学与分子工程重点实验室,广西药用资源化学与分子工程重点实验室,广西特色药用资源化学工程研究中心,广西师范大学化学与药学学院,中国广西桂林 541004
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