基于石墨烯的分子印迹聚合物电极结合机器学习检测黑孜然中百里香醌的创新方法

为解决黑孜然中百里香醌(TQ)检测方法成本高、耗时长的问题，研究人员开发了一种基于分子印迹聚合物(TQIP/G)的电化学传感器，结合卷积神经网络(CNN)分析。该传感器线性范围0.5–100 μM，检测限达0.03 μM，与RP-HPLC结果高度吻合（误差±0.005%），为农产品质量控制提供了便携、精准的解决方案。

　　

研究背景与意义
百里香醌(TQ)作为黑孜然(Nigella sativa)的核心活性成分，因其抗炎、抗病毒（如抑制SARS-CoV-2蛋白酶）和免疫调节作用备受关注。然而，传统检测方法如反相高效液相色谱(RP-HPLC)、气相色谱-质谱(GC-MS)依赖昂贵设备且操作复杂，难以满足快速现场检测需求。分子印迹聚合物(MIP)技术通过模板分子特异性识别位点的构建，为低成本、高选择性检测提供了新思路，但如何提升复杂基质中的分析效率仍是挑战。

研究方法与技术
研究团队设计了一种石墨基TQ印迹聚合物电极(TQIP/G)，通过热聚合丙烯腈与乙二醇二甲基丙烯酸酯交联制备。采用场发射扫描电镜(FESEM)和傅里叶变换红外光谱(FTIR)表征材料形貌，差分脉冲伏安法(DPV)和循环伏安法(CV)评估电化学性能。利用卷积神经网络(CNN)直接从DPV信号预测TQ浓度，以4种市售黑孜然样本验证，RP-HPLC作为金标准对照。

研究结果

1. 表面形貌分析
   FESEM显示模板提取后的TQIP/G呈现多孔结构，孔径0.5–1.5 μm，而非印迹聚合物(NIP)表面无孔隙，证实印迹位点成功构建。

2. 电化学性能
   TQIP/G电极在0.5–100 μM范围内呈线性响应，灵敏度0.11 A/M，选择性达57.09%。重复性(RSD 3.56%)和重现性(RSD 4.13%)优异，检测限(LOD)低至0.03 μM。

3. 机器学习辅助分析
   CNN模型处理真实样本DPV数据，预测结果与RP-HPLC相关性高(R²>0.99)，平均误差仅±0.005%，显著优于传统拟合方法。

结论与意义
该研究开创性地将分子印迹技术与机器学习结合，开发的TQIP/G电极兼具高灵敏度(0.11 A/M)和便携性，检测限(0.03 μM)媲美色谱法。CNN模型实现了复杂信号的无监督解析，为农产品质量监控提供了可扩展方案。论文发表于《Microchemical Journal》，标志着电化学传感器在植物活性成分检测领域的重大突破，尤其适用于资源有限地区的快速筛查。