基于人工智能的快速SERS技术用于检测源-途径-汇生态系统中的微量喹诺酮类抗生素

《Analytical Chemistry》：AI-Enhanced Rapid SERS Screening of Trace Quinolone Antibiotics across the Source-Pathway-Sink Ecosystem

针对喹诺酮类抗生素环境污染问题，本研究开发了SPE-LLE-SALLE-NPs(p)前处理模块与SSNet光谱解混算法的集成系统，实现8分钟内完成食品、生物及环境样本中19种抗生素的快速、灵敏、智能检测，构建了“源-路径-受体”一体化监测框架。

　　

在畜牧业和临床医学中过度使用的喹诺酮类抗生素通过农业排放和医疗废水进入生态系统，对全球健康构成了日益严重的威胁。因此，迫切需要对这些抗生素对环境和人类的影响进行风险评估，这就要求能够对不同基质中的微量抗生素进行准确、可靠且快速的定性和定量分析。表面增强拉曼光谱（SERS）技术凭借近乎单分子级别的灵敏度，能够提供化学成分的详细信息，受到了广泛关注。考虑到各种喹诺酮类抗生素的常见物理化学性质，我们首先开发了一套样品预处理方法，包括固相萃取（SPE）、液-液萃取（LLE）、盐析辅助液-液萃取（SALLE）以及纳米颗粒（NPs）的纯化。这种SPE–LLE–SALLE–NPs（p）与光谱分离网络（SSNet，一种基于深度学习的光谱解混算法）相结合的方法，实现了对食品、生物和环境基质中19种喹诺酮类抗生素的快速（每个样品仅需8分钟）、高灵敏度（μg l^–1）的现场检测。此外，该方法能够在含有五种目标成分的混合物中准确识别每种喹诺酮类抗生素，使其成为一种极具前景的快速检测策略，适用于盲样筛查的定性和定量分析。这种集成的SPE–LLE–SALLE–NPs（p）–SSNet–SERS技术为抗生素污染的监测提供了一种跨媒体、全流程、基于大数据的快速解决方案，适用于“源头-途径-汇”框架下的环境监测。