机器学习辅助碳量子点增强荧光探针用于汗液中 Zn2+检测：开启下一代微量元素监测新征程

为解决当前 Zn2+检测方法依赖复杂仪器和繁琐样本制备的问题，研究人员开展了合成高选择性荧光碳量子点（CQDs）并构建机器学习检测框架的研究。结果使 Zn2+识别准确率达 82.4%，该方法为下一代微量元素监测提供新途径。

　　锌（Zn）是人体不可或缺的微量元素，在众多生理过程中发挥着至关重要的作用。目前检测 Zn²⁺的方法虽灵敏度高、特异性强，但通常依赖复杂仪器且样本制备繁琐。本研究以从生物废料中提取的微晶纤维素为原料，合成了高选择性的荧光碳量子点（CQDs）。合成的 CQDs 凭借其优异的聚集诱导发光（AIE）特性，能够检测汗液中的痕量 Zn²⁺，即便在其他化学物质存在的情况下，也能保持稳定的荧光性能。此外，研究还开发了一种基于机器学习的检测框架，将光谱特征聚类与轻量级的 MobileViT 架构相结合。这个智能系统通过自动分析 650 个荧光图谱，将 Zn²⁺识别准确率提高到 82.4%，同时实现了实时定量。经机器学习优化的工作流程，即使在存在多种干扰物的汗液基质中，也能展现出卓越的性能（检测限：0.17 μM）。这种由机器学习增强的基于 CQDs 的生物传感方法，为下一代微量元素监测建立了一种变革性的方法。