SSNet：一种光谱解混框架，用于提升SERS对复杂混合物中微量目标的定性检测灵敏度

《Journal of the American Chemical Society》：SSNet: A Spectral Unmixing Framework for Enhancing the Qualitative Sensitivity of SERS to Trace Targets in Complex Mixtures

表面增强拉曼光谱（SERS）检测中目标信号易受基质干扰，SSNet自监督算法通过无需基质先验知识实现高灵敏度定性分析（Raman峰强度/位置/相对强度），在已知类似基质时灵敏度超越专家水平1个数量级，并成功解混3种结构相似毒素。

　　

表面增强拉曼光谱（SERS）是跨多个领域进行光谱-结构关联的强大工具。然而，在复杂系统中，由于非目标物质的共吸附和竞争性吸附，SERS的定性和定量分析常常受到影响，从而难以准确追踪目标物质。为了解混并识别混合物中的目标SERS信号，我们开发了SSNet这一智能的、基于自监督学习的算法。以检测多种食品样本中的铊植物毒素为例，SSNet在核心的定性和定量评估指标（如拉曼峰强度、峰位置和相对强度）上表现出了极高的准确度。即使在对基质没有任何先验知识的情况下，SSNet也能达到专家级别的定性检测灵敏度；而当已知相关基质信息时，其灵敏度比专家水平高出一个数量级，即便目标的SERS信号肉眼无法察觉。通过三种结构相似的铊植物毒素进一步验证了SSNet分离多目标SERS信号的能力。SSNet出色的性能和泛化能力显著提升了拉曼/表面增强拉曼光谱技术在原位、体内及操作过程中的应用潜力。