基于Bop-Cu纳米酶多信号传感器阵列结合机器学习实现食用油中四种合成抗氧化剂的便捷 discriminative detection

针对食用油中合成抗氧化剂（PG、TBHQ、BHA、BHT）混合检测难题，研究人员开发了兼具荧光与多酶活性的Bop-Cu纳米酶，构建多信号传感器阵列，结合随机森林（RF）和人工神经网络（ANN）算法，实现99.4%高精度识别及0.1–30?μg/mL浓度定量，为现场监管抗氧化剂滥用提供新策略。

　　

食用油作为日常饮食的重要组成部分，其稳定性直接关系到食品质量和安全。为了延长食用油的保质期，合成抗氧化剂如没食子酸丙酯（PG）、叔丁基对苯二酚（TBHQ）、丁基羟基茴香醚（BHA）和二丁基羟基甲苯（BHT）被广泛添加。然而，过量摄入这些添加剂可能导致肝脏损伤甚至致癌风险。根据国家标准GB2760–2024，食用油中TBHQ、BHA和BHT的允许限量为0.2?g/kg，PG为0.1?g/kg。但实际生产中，多种抗氧化剂的复配使用使得检测变得复杂，传统方法如高效液相色谱（HPLC）和气相色谱-质谱（GC-MS）虽精准却操作繁琐，难以满足现场快速检测需求。

针对这一挑战，吉林大学的研究团队开发了一种基于Bop-Cu纳米酶的多信号传感器阵列，结合机器学习算法，实现了食用油中四种合成抗氧化剂的高效识别与定量。该研究发表在《Food Research International》上，为解决抗氧化剂现场检测难题提供了创新方案。

研究团队首先合成了具有荧光特性和类漆酶（LAC）、类过氧化物酶（POD）双活性的Bop-Cu纳米酶。通过扫描电镜（SEM）和傅里叶变换红外光谱（FTIR）表征，证实其呈不规则球形聚集，平均粒径0.155?μm。当四种抗氧化剂存在时，Bop-Cu的催化活性和荧光信号发生差异化响应，形成独特的“指纹”图谱。

主要技术方法

1. 纳米酶合成：以Cu(NO₃)₂和3,5-二羧基苯硼酸（5-bop）为原料，通过溶剂热法合成Bop-Cu。
2. 多信号采集：利用紫外-可见光谱、荧光光谱和酶催化动力学检测抗氧化剂引起的信号变化。
3. 机器学习建模：采用随机森林（RF）进行抗氧化剂分类，结合随机森林回归（RFR）和人工神经网络（ANN）实现单组分定量及混合物同步分析。

研究结果

1. 传感器阵列构建：Bop-Cu对PG、TBHQ、BHA和BHT的响应差异显著，通过主成分分析（PCA）可视化显示四类抗氧化剂明显聚类。
2. 高精度识别：RF模型在无需浓度预判条件下，对四种抗氧化剂的识别准确率达99.4%。
3. 定量检测：RFR模型在0.1–30?μg/mL范围内实现单组分定量，加标回收率92.3%–107.8%。
4. 实际样本应用：ANN算法成功预测食用油中混合抗氧化剂比例，与HPLC结果一致性高（R²>0.98）。

结论与意义
该研究通过整合纳米酶的多功能特性和机器学习算法，突破了传统检测方法在复杂基质中的局限性，首次实现食用油中混合抗氧化剂的现场 discriminative detection。其重要意义在于：

1. 技术革新：将荧光信号与酶催化活性结合，提升检测维度；
2. 监管赋能：为食品安全监管部门提供便携、高效的筛查工具；
3. 方法普适性：该策略可拓展至其他食品添加剂检测领域，如色素或防腐剂。

作者团队（Xinyue Zhang、Yongxin Li等）特别指出，未来可通过优化纳米酶材料（如引入其他金属节点）进一步扩大检测范围。这项研究不仅为抗氧化剂滥用监管提供了科学依据，也为智能传感技术在食品安全中的应用开辟了新路径。