一种通过机器学习辅助的纳米酶传感器阵列轻松识别咖啡品种的策略

《Food Control》：A facile identification strategy for coffee variety via the machine learning-assisted nanozyme sensor array

基于纳米酶阵列的咖啡品种快速鉴别技术研究及其应用

　　

李杰|郑星娜|王思宇|茹怡|李永新|黄慧

吉林大学食品科学与工程学院，长春，130062，中国

摘要

随着人们对咖啡掺假问题的关注日益增加，先进的检测方法变得至关重要。合理选择传感器阵列的通道对于实现高精度区分至关重要。本研究提出了一种基于纳米酶的比色传感器阵列，通过分析咖啡中的特征成分来有效区分不同品种。通过机器学习辅助筛选十三种纳米酶，开发出了一种优化的传感器阵列，能够在0.8 μmol/L至100 μmol/L的浓度范围内区分咖啡的关键化合物、二元/三元混合物，并忽略浓度因素进行区分。该传感机制涉及咖啡成分通过电子转移和疏水相互作用调节纳米酶的过氧化物酶样活性。该技术成功以高精度区分了两种主要咖啡类别及其亚型。开发的移动应用程序能够识别咖啡品种的掺假情况，并检测出半定量掺假水平（准确率为88.9%）。这一便携式平台在商业咖啡质量监测方面展现出巨大潜力，为咖啡行业的真实性验证提供了可靠的工具。

引言

咖啡是全球最受欢迎的三种饮料之一，因其提神作用和代谢益处而备受推崇，尤其是在欧洲和美国（Reichembach等人，2024年）。两种主要咖啡品种——阿拉比卡（Arabica）和罗布斯塔（Robusta）在价格上存在显著差异（da Silva等人，2024年）。由于颜色和质地的相似性，不法商贩常常利用这种重叠将成本较低的罗布斯塔豆掺入阿拉比卡豆中以牟取利益，严重侵犯了消费者的合法权益（Ren等人，2024年）。然而，这两种咖啡在内部成分和元素组成上存在明显差异，因此开发出一种客观、快速、便携的咖啡品种识别方法具有重要意义（见图1）。

目前区分咖啡品种的方法主要依赖于大规模仪器，如电泳-串联质谱（Daniel等人，2018年）、近红外光谱仪（Chakravartula等人，2022年）和高性能液相色谱（HPLC）（Cheah & Fang，2020年）。然而，由于仪器的限制以及需要专业操作人员，快速便携的咖啡识别方法已成为研究热点。Morais等人（Barroso de Morais等人，2019年）通过分析从工作电极获得的咖啡提取物的伏安曲线来识别咖啡掺假；Combes等人（Combes等人，2018年）开发了一种基于DNA的认证方法，成功区分了阿拉比卡和罗布斯塔品种；Sezer等人（Sezer等人，2018年）通过化学计量方法结合激光诱导击穿光谱技术实现了咖啡掺假的识别。尽管这些研究缓解了大规模检测设备的某些局限性，但在现场快速检测方面仍存在不足。

纳米酶具有低成本、制备简便（Yang, Qiu等人，2024年）和高稳定性（Chang等人，2024年）等优点，已在食品、生物和环境检测中得到广泛应用（Liu, Chin等人，2024年）。传感器阵列是一种新兴的传感技术，在多维数据融合（Tian等人，2025年）、提高灵敏度、区分类似物质以及分析复杂混合物（Moon等人，2024年）方面具有广泛的应用前景。与传统的大规模仪器方法相比，传感器阵列能够同时检测和区分多种分析物（Xia等人，2024年）。在涉及多种类似目标底物的检测场景中，这一能力尤为重要，尤其是在食品分析领域。

咖啡中的主要成分包括酚类物质和生物碱：在酚类物质中，绿原酸（CGA）是最丰富的多酚，其中阿魏酸（FA）、咖啡酸（CA）、对香豆酸（p-CA）和儿茶素（CC）是其重要成分，香草酸（VA）是一种次要的酚类物质；在生物碱中，咖啡因（CAF）是主要成分，而三叶草碱（TG）是咖啡特有的生物碱（Liu, Chin等人，2024年）。这些成分通过不同的机制调节纳米酶的过氧化物酶样活性：CC和TG中的酚羟基和含氮杂环作为电子供体，将纳米酶的金属活性中心还原为低价态，从而精确调节催化活性（Chen等人，2024年）。弱疏水的p-CA、CAF和VA通过芳香环/脂肪链与纳米酶的疏水域形成范德华力，优化了微环境以改变催化效率（Shen等人，2025年）。CGA、FA和CA能够清除自由基：它们的酚羟基/吡嗪环捕获反应产生的自由基，减少对活性中心的损害并稳定/调节过氧化物酶样活性（Kim等人，2024年）。

本研究利用机器学习筛选基于纳米酶的传感器通道，利用咖啡中特征成分引起的差异性反应——特别是它们对过氧化物酶样纳米酶中电子转移和底物相互作用距离的调节作用——来实现咖啡品种的区分和掺假检测。目前已报道了三百多种具有过氧化物酶样活性的纳米酶（Shen等人，2020年），合理选择和构建传感器阵列对于实现高精度区分咖啡来源至关重要。选择了十三种具有金属中心（Fe、Ce、Cu、Zn、Mn和Ni）的代表性纳米酶以及一种天然酶。通过机器学习，确定了最佳传感器阵列策略，由四种表现出最显著反应差异的纳米酶组成。利用这四种纳米酶对咖啡中活性成分的差异性反应，成功区分了两种主要咖啡品种（阿拉比卡和罗布斯塔）及其八个亚型，并大致量化了掺假程度。最后，开发了一个移动应用程序，具备照片捕捉和数据分析功能，便于现场快速识别咖啡品种。

纳米酶的制备

这些纳米酶的制备参考了其他研究，涵盖了十三种不同的经典金属中心类型，包括Ni-MOF（Yang, Qiu等人，2024年）、CuO纳米颗粒（Wang等人，2019年）、CeO₂纳米酶（Filippova等人，2023年）、Fe-GMP纳米酶（Zhao等人，2021年）、Ce-Fe-GMP纳米酶（Yang等人，2022年）、Co₃O₄纳米酶（Huang等人，2025年）、Zn纳米棒（Liu等人，2023年）、FeCeCu纳米酶（Li等人，2025年）、Fe纳米颗粒（Zhang等人，2022年）、Cu-BDC纳米片（Li等人，2019年）等。

利用机器学习辅助选择对咖啡中差异成分具有高效响应的纳米酶

引起差异性反应的咖啡活性成分主要是氧化还原活性物质和弱疏水性物质。这些化合物通过与氧化还原型纳米酶的两种主要机制相互作用：一方面，它们通过清除自由基影响纳米酶的电子转移过程（Capone等人，2024年）；另一方面，它们通过弱疏水相互作用调节纳米酶与底物之间的相互作用距离（Li等人，2024年）。

结论

总之，具有过氧化物酶样活性的纳米酶对咖啡中的特定化合物表现出差异性响应，实现了主要咖啡类别及其亚型之间的创新区分。这一能力已成功应用于咖啡掺假检测。通过机器学习筛选了十三种纳米酶和一种天然酶，选择了四种表现出最显著反应差异的纳米酶来构建传感器阵列。

CRediT作者贡献声明

李杰：撰写——初稿、方法论、研究设计、概念构建。郑星娜：数据整理。王思宇：数据整理。茹怡：方法论。李永新：撰写——审稿与编辑、资金筹集。黄慧：撰写——审稿与编辑、资金筹集。

利益冲突声明

作者声明没有已知的财务利益或个人关系可能影响本文的研究结果。

致谢

本工作得到了国家自然科学基金（编号22176069和22576079）和吉林省自然科学基金（编号20250202071NC）的财政支持。