基于尺寸可控球形金属纳米颗粒与机器学习的表面增强拉曼光谱技术快速定量检测葡萄座腔菌及其应用

为解决水果采后病害中葡萄座腔菌(Botryosphaeria dothidea)快速检测难题，研究人员开发了基于表面增强拉曼光谱(SERS)与机器学习联用的检测平台。通过优化45–60 nm银纳米颗粒(Ag@ICNPs)增强基底，实现对病原菌的定量检测(灵敏度达103 CFU/mL)，并成功拓展至丁香假单胞菌(Pseudomonas syringae)等4种病原体鉴别。该平台在PCA-SVM等算法支持下分类准确率达100%，为农产品安全监测提供了高效新工具。

　　

水果采后病害一直是困扰农业生产的重大问题，其中由葡萄座腔菌(Botryosphaeria dothidea)引起的软腐病尤为突出。这种病原菌不仅会导致果实表皮凹陷腐烂，造成严重经济损失，更令人担忧的是其产生的致癌毒素可能通过食物链危害人类健康。传统检测方法如培养鉴定耗时长达数天，PCR技术虽灵敏却操作复杂，而免疫学检测易出现假阳性。面对这些技术瓶颈，开发快速、准确且经济的检测手段成为保障食品安全的迫切需求。

中国的研究团队在《International Journal of Food Microbiology》发表的研究中，创新性地将表面增强拉曼光谱(Surface-Enhanced Raman Spectroscopy, SERS)与机器学习相结合，构建了一个多功能病原体检测平台。该研究通过调控银/金纳米颗粒尺寸(20-85 nm)，系统评估其对SERS信号的增强效应，并采用电化学、紫外可见光谱等技术阐明作用机制。针对实际样本检测需求，研究人员还建立了包含5种病原体的光谱数据库，通过多种机器学习算法实现病原体智能分类。

关键技术方法
研究采用氧化还原法制备不同尺寸的Ag@ICNPs和Au@ICNPs，通过紫外-可见分光光度计和Zeta电位仪表征纳米颗粒特性。以优化的45–60 nm Ag@ICNPs为SERS活性基底，采集葡萄座腔菌等病原体的指纹图谱。采用主成分分析(PCA)进行数据降维，并比较支持向量机(SVM)、决策树等8种算法的分类性能。实际样本检测涉及市售苹果、梨等水果的病原体筛查。

主要研究结果

SERS活性基底的尺寸效应
通过对比20–35 nm、45–60 nm和70–85 nm三组Ag@ICNPs发现，中等尺寸纳米颗粒在785 nm激光激发下呈现最强增强因子(EF=1.8×10⁶)，这源于其优化的局域表面等离子体共振(LSPR)效应。金纳米颗粒(Au@ICNPs)在相同尺寸下增强效果较弱，证实银材料更适合本体系。

病原体定量检测性能
建立的SERS平台对葡萄座腔菌的检测限达500 CFU/mL，在10³-10⁷ CFU/mL范围内信号强度与菌浓度呈良好线性关系(R²=0.992)。实际水果样本加标回收率为92.3%-106.7%，验证了方法的可靠性。

多病原体鉴别能力
通过捕获丁香假单胞菌(Pseudomonas syringae pv. Actinidiae)、铜绿假单胞菌(Pseudomonas aeruginosa)等病原体的特征峰(如735 cm^-1处的腺嘌呤振动)，PCA模型可将5类病原体完全区分。在机器学习模型中，SVM和神经网络表现最优，测试集准确率均达100%。

结论与展望
该研究开创性地将纳米材料尺寸调控与人工智能算法相结合，解决了传统病原体检测方法效率低、成本高的痛点。特别值得注意的是，45–60 nm Ag@ICNPs的优化设计不仅显著提升了葡萄座腔菌的检测灵敏度，其广谱检测能力更为农产品多病原体同步监测提供了新思路。研究人员在讨论中指出，未来需重点解决复杂食品基质干扰问题，并探索便携式设备开发以推动技术落地。这项技术有望拓展至医疗诊断、环境监测等领域，为多学科交叉研究提供典范。