基于卟啉信号放大与智能手机云端机器学习的高温大曲白酒快速可视化鉴别技术

为解决高温大曲白酒市场中以次充好的问题，研究人员开发了一种基于金属卟啉(TMPP)伪过氧化物酶活性的多通道可视化传感器阵列，结合随机森林(RF)算法和DD-SIMCA模型，实现了同香型白酒的精准鉴别（准确率>99%）。该研究通过吡嗪类化合物与卟啉环的竞争配位及π-π堆积作用抑制TMB显色反应，并首创智能手机云端机器学习验证系统（准确率96.83%），为白酒质量的无仪器化快速检测提供了新范式。

　　

研究背景与意义
中国白酒作为文化瑰宝，其高温大曲工艺酿造的高端产品常面临“高档瓶装低质酒”的掺假乱象。传统鉴别依赖气相色谱等大型仪器，成本高且难以现场应用。尽管纳米材料传感器已用于白酒鉴别，但同香型不同等级酒的区分仍是难题。金属卟啉因其独特的金属配位中心和大π共轭结构，成为识别含氮化合物的理想探针，但此前缺乏有效的信号放大机制。

技术方法概述
研究团队筛选6种金属卟啉（如TPP_Mg、TPP_Zn）构建传感器阵列，利用其与白酒中吡嗪类化合物的竞争配位抑制伪过氧化物酶活性，导致TMB显色差异。结合31种市购高温大曲白酒样本（经国家白酒质检中心认证），采用随机森林算法建模，并开发智能手机云端验证系统。

研究结果

1. 材料与试剂
选用31种高温大曲白酒，通过卟啉-TMB-H₂
O₂
体系实现信号放大，关键试剂包括TPP_Cu（铜四苯基卟啉）等。

2. 阵列传感器机制
吡嗪氮原子与卟啉金属离子（如Zn²⁺
）的配位竞争及芳香环π-π堆积作用，显著抑制卟啉催化TMB氧化的能力，产生从无色到蓝色的梯度显色（最大吸收波长652 nm）。

3. 结论
传感器阵列对吡嗪、醛酮类美拉德反应产物响应显著，结合RF回归预测化合物含量的偏差<0.2473%±1.0785%。DD-SIMCA模型鉴别掺假准确率超99%，智能手机云端系统达96.83%。

意义与创新
该研究首次将卟啉伪酶活性抑制效应与智能手机云端机器学习结合，突破传统仪器限制。发现TPP_Zn等传感器点对白酒鉴别贡献突出，为食品安全监管提供便携解决方案。论文发表于《Spectrochimica Acta Part A: Molecular and Biomolecular Spectroscopy》，推动白酒真伪鉴别进入“无仪器化”时代。