激光诱导击穿光谱联合机器学习实现大肠杆菌浓度的快速精准定量

为解决传统细菌浓度检测方法耗时长、操作复杂、成本高的问题，研究人员创新性地将激光诱导击穿光谱（LIBS）与机器学习算法结合，以大肠杆菌为模型，优化关键参数并构建支持向量回归（SVR）模型，实现R2达0.99的高精度定量，为食品、环境和临床领域提供了一种快速、准确的微生物检测新方法。

　　

细菌在人类社会中扮演着双刃剑的角色——既是食品发酵和环境修复的功臣，也是引发公共卫生危机的元凶。传统细菌浓度检测方法如平板计数需24-72小时，分子检测技术如qPCR虽快却成本高昂，这些局限性在食品安全突发事件中尤为突出。面对这一挑战，中国某高校研究团队在《Talanta》发表论文，提出了一种革命性的解决方案：将激光诱导击穿光谱（LIBS）与机器学习结合，实现了大肠杆菌浓度的秒级精准定量。

研究团队采用自建LIBS系统，通过优化延迟时间（200 ns）、基底材料（石墨）和激光重复频率（2 Hz）等参数提升信噪比。关键技术包括：1）LIBS等离子体光谱采集；2）特征谱线筛选（Na、Ca、K等元素）；3）三种机器学习算法（SVR、GBR、KRR）的对比建模；4）使用实际样品验证回收率（100.03%-100.83%）和精密度（RSD<2%）。

实验设置
搭建的LIBS系统包含Nd:YAG脉冲激光器和AvaSpec-ULS2048L光谱仪等组件，通过二维平移台实现多点采样，确保数据代表性。

特征谱线选择
在石墨基底上识别出与大肠杆菌生化组成相关的Na I 589.0 nm、Ca II 393.4 nm等特征谱线，其强度变化与细菌浓度呈非线性关联。

结论
SVR模型表现最优（R²=0.99，RMSE=7.3×10⁵ cells/mL），t检验证实检测值与真实值无显著差异（p>0.05）。该方法突破传统线性回归局限，通过多特征整合解决了LIBS定量中的非线性难题，为食品厂、医院等场景提供了一种无需前处理、分析速度快的微生物检测新技术。

讨论
该研究首次系统验证LIBS在细菌定量中的适用性，其2%以下的RSD优于多数现有方法。石墨基底的热导性有效抑制了等离子体淬灭，而SVR算法对高维光谱数据的非线性拟合能力是关键突破点。未来可扩展至其他病原体检测，推动LIBS在生物医学领域的产业化应用。