通过结合高斯核密度估计的数据增强技术，利用SERS光谱和多层感知器算法对各种实际水样中的均匀多抗生素残留进行识别

《Analytica Chimica Acta》：Homogeneous multi-antibiotics residual identification in various actual water via SERS spectra multilayer perceptron algorithm combined with Gaussian kernel density estimation data augmentation

本研究采用MLP算法结合GKIM数据增强技术，成功实现对五种磺胺类抗生素及其复杂混合物的快速检测，准确率达93%并验证了LC-MS的可靠性，为环境水样中抗生素监测提供新方法。

　　本研究聚焦于抗生素残留物在水环境中的检测与识别问题，特别是针对磺胺类抗生素及其复杂混合物的快速识别。抗生素的广泛应用虽然极大地推动了医学和公共健康的发展，但也带来了环境污染和生态系统破坏的挑战。磺胺类抗生素作为一类常见的抗生素，因其在动物体内的不完全代谢而容易通过粪便等途径进入水体，进而影响生态环境和人类健康。由于抗生素种类繁多，其生物毒性也存在显著差异，这使得针对特定类型抗生素的检测成为一项复杂任务。

目前，传统的检测方法如高效液相色谱（HPLC）和液相色谱-质谱联用（LC/MS）虽然具有较高的检测精度，但其设备成本高昂，限制了其在实际环境中的广泛应用。因此，寻找一种经济、高效且适用于复杂环境样本的检测方法成为迫切需求。表面增强拉曼光谱（SERS）作为一种新兴的分析技术，因其能够显著增强拉曼信号而备受关注。SERS利用金属纳米颗粒作为基底，通过电磁增强或化学增强机制提高药物分子的拉曼信号强度，使其能够在极低浓度下检测目标物质。然而，SERS在实际应用中仍面临诸多挑战，例如拉曼光谱中的噪声、荧光干扰以及谱峰重叠等问题，这些因素影响了对相似结构物质或混合物的识别能力。

为了克服上述问题，本研究提出了一种基于SERS光谱的深度学习算法模型，结合了多层感知机（MLP）算法和高斯核密度估计（GKIM）数据增强方法，以提高模型在复杂水体环境中的识别能力。通过使用MLP算法对五种磺胺类抗生素（磺胺嘧啶、磺吡啶、磺胺甲噁唑、磺胺异噁唑和磺胺噻唑）及其31种复杂混合物进行分类识别，模型在实验中展现出高达90%以上的准确率、F1-score和召回率。进一步地，为了提升模型在含氨氮和磷酸盐的水体中的识别效果，本研究引入了GKIM数据增强方法，以弥补因复杂基质干扰导致的识别精度下降问题。基于GKIM增强数据的MLP模型在实际水样中的识别准确率达到93%，并经过液相色谱-质谱（LC-MS）方法验证，表现出良好的识别能力。

本研究还探讨了SERS光谱在实际应用中的可重复性和相似性问题。通过实验发现，所制备的银树枝状SERS基底在拉曼信号增强方面表现出色，其纳米颗粒之间的间隙形成了大量拉曼“热点”，提高了信号的稳定性。为了确保模型的可靠性，所有抗生素的SERS光谱均在银树枝状基底上采集，并通过实验验证其数据的可重复性。此外，本研究还分析了不同磺胺类抗生素的特征峰，通过高斯拟合识别出其共性与差异特征，从而提升模型在复杂水体中的识别能力。通过对数据的降维处理，进一步优化了模型的训练效果，提高了识别的准确性和效率。

在实验过程中，研究团队使用了多种化学试剂和仪器。例如，磺胺嘧啶、磺吡啶、磺胺甲噁唑和磺胺异噁唑等抗生素均购自上海阿拉丁生化科技公司；磺胺噻唑和二甲基亚砜（DMSO）则来自上海麦克林生化科技公司；银硝酸、氢氟酸、磷酸二氢钾和氯化铵等试剂购自广州化学试剂厂；铝箔则由其他供应商提供。这些试剂的准确性和纯度对实验结果具有重要影响，因此在实验前均进行了严格的质量控制和预处理。

此外，研究团队还开发了一款识别软件，用于自动分析磺胺类抗生素的SERS光谱数据，并生成预测结果和识别准确率。该软件的开发不仅提高了数据处理的效率，还增强了模型在实际应用中的实用性。识别流程如图1所示，涵盖了数据采集、预处理、特征提取、模型训练和结果预测等多个环节。通过这一流程，模型能够快速识别不同种类的磺胺类抗生素及其混合物，为环境监测和抗生素残留物检测提供了新的思路和方法。

本研究的成果具有重要的应用价值。首先，基于SERS光谱和深度学习算法的检测方法能够在不破坏样品的情况下进行快速分析，适用于多种环境样本的检测需求。其次，该方法的高灵敏度和高选择性使得其能够有效识别复杂水体中的抗生素残留物，为环境治理和水资源保护提供了技术支持。此外，该方法还具有较高的可扩展性，可以应用于其他类型的抗生素检测，为环境监测领域提供了更广泛的应用前景。

从技术角度来看，本研究的创新点在于将数据增强技术与深度学习算法相结合，以提高模型在复杂环境中的识别能力。通过使用SMOTE和GKIM两种数据增强方法，研究团队有效增加了训练数据的多样性，提高了模型的泛化能力。SMOTE是一种常用的过采样技术，能够通过合成新样本来解决数据不平衡问题，而GKIM则能够通过高斯核密度估计增强目标物质的光谱数据，从而提升模型的识别精度。这两种方法的结合使得模型在复杂基质环境下的识别效果得到了显著提升，为环境检测技术的发展提供了新的思路。

本研究的实施过程也体现了跨学科合作的重要性。在实验设计和数据采集阶段，研究团队结合了化学、材料科学和计算机科学等多个领域的知识，确保了实验的科学性和数据的准确性。在模型训练和优化过程中，团队运用了深度学习和机器学习的相关理论，通过不断调整模型参数和优化算法结构，提高了模型的识别能力。此外，团队还开发了相应的软件工具，为模型的应用提供了便利。这些努力不仅提升了研究的科学价值，也展示了团队在多学科交叉研究中的创新能力。

本研究的成果也对环境监测和水资源保护具有重要的现实意义。随着抗生素的广泛应用，其残留物对水环境的影响日益加剧，而传统的检测方法在实际应用中存在诸多限制。基于SERS光谱和深度学习算法的检测方法能够克服这些限制，提供一种更加高效、经济的解决方案。此外，该方法还能够实时监测水体中的抗生素残留情况，为环境治理和生态保护提供数据支持。通过本研究的探索，团队为环境监测技术的发展提供了新的方向，也为抗生素残留物的检测和识别提供了更加可靠的方法。

总的来说，本研究在抗生素残留物检测和识别领域取得了重要进展。通过结合SERS光谱技术和深度学习算法，团队成功构建了一个能够快速、准确识别多种磺胺类抗生素及其混合物的模型。该模型在实验中展现出较高的识别能力，并在实际水样中得到了验证。此外，团队还通过数据增强技术提升了模型在复杂基质环境下的识别效果，为环境监测和抗生素残留物检测提供了更加全面的解决方案。本研究的成果不仅具有重要的科学价值，也为环境治理和水资源保护提供了技术支持，展示了该技术在实际应用中的广阔前景。