利用4-氨基酚衍生化方法和机器学习技术，提高了四氢大麻酚（tetrahydrocannabinol）的SERS（表面增强拉曼散射）检测灵敏度

《Talanta》：Improved SERS detection of tetrahydrocannabinol using 4-aminophenol derivatization and machine learning

　　

• •
  4-氨基苯酚衍生化提高了THC的SERS检测灵敏度。
• •
  THC的检测限降低了20倍，达到0.051毫克/升。
• •
  在CBD、CBN和THCA存在的情况下实现了THC的选择性检测。
• •
  对添加了THC的大麻饮料样本的分析证明了该方法的实用性。
• •
  机器学习支持使用THC相关拉曼光谱进行基于阈值的筛选。

章节摘录

引言

大麻衍生产品在全球医疗和消费市场中越来越受到关注。在已知的120多种植物大麻素中，Δ⁹-四氢大麻酚（THC）是其中最重要的且具有药理活性的化合物之一[1],[2]。尽管THC具有治疗作用，但它也是一种精神活性成分，在高剂量下可能导致不良反应，如幻觉和运动协调能力受损[3],[4],[5]。不同地区的THC监管标准各不相同。

化学品

所有化学品均为分析纯或更高级别。认证的参考物质，包括(-)-Δ⁹-四氢大麻酚（THC）、大麻二酚（CBD）、大麻酚（CBN）和四氢大麻酚酸（THCA），由Cerilliant（Merck，德国达姆施塔特）提供，浓度为1.0毫克/毫升（即1000 ppm）的标准溶液。4-氨基苯酚（4-AP，CAS：123-30-8）和Fast Blue BB（FBBB，CAS：5486-84-0）从Sigma-Aldrich（美国密苏里州圣路易斯）购买。乙腈和甲醇则从Burdick公司购买。

衍生化THC的拉曼光谱和SERS光谱

在初步研究中，对原始样品进行了拉曼测量，以探讨不同衍生化条件下THC的光谱特性。比较光谱见图1A。未衍生化THC、FBBB衍生化THC和4-AP衍生化THC的特征拉曼和SERS光谱分别总结在表2中。对于未衍生化的THC，在多个区域观察到了多个谱峰，其特征峰位于724、773、789、844和1667厘米^-1处。

结论

本研究采用衍生化辅助的SERS技术来提高微量THC的检测能力。在测试的各种试剂中，4-AP的表现优于FBBB，能够提供更清晰的THC相关拉曼光谱。所提出的4-AP辅助SERS方法显示出良好的分析性能，检出限（LOD）和定量限（LOQ）分别为0.051 ppm和0.171 ppm，并且精度可靠（RSD < 20%）。该方法还能在CBD、CBN和THCA存在的情况下选择性检测THC。

AI工具使用声明

在研究过程中，作者使用了Anthropic公司的Claude（Sonnet 5和Opus 4.8）来优化和调试代码流程，以及OpenAI的ChatGPT-5.5来辅助语言处理。使用这些工具后，作者对内容进行了必要的审查和编辑，并对发表文章的内容负全部责任。

CRediT作者贡献声明

Saksorn Limwichean：资源准备与研究。Davis Lapkrajang：软件验证、数据分析与数据整理。Nichakarn Termsaithong：软件开发与数据分析。Nopphamat Thepin：写作与编辑、初稿撰写、数据可视化及验证、研究协助与数据分析。Pacharamon Somboonsaksri：资源准备与研究。Thitaphat Ngernsutivorakul：写作与编辑、初稿撰写、数据可视化、项目监督与方法论设计。

作者声明他们没有已知的可能影响本文研究的财务利益或个人关系。

利益冲突声明

作者声明他们没有已知的可能影响本文研究的财务利益或个人关系。

致谢

作者感谢化学系、理学院、NECTEC和卡塞萨特大学研究生院奖学金计划的资助，同时也获得了NSRF通过人力资源与机构发展研究创新计划（授权编号B42G670040）的经费支持。作者还感谢Dr. Pitak Chuawong提供的实验材料。

Nopphamat Thepin|Pacharamon Somboonsaksri|Davis Lapkrajang|Nichakarn Termsaithong|Saksorn Limwichean|Rungroj Jintamethasawat|Raju Botta|Thitaphat Ngernsutivorakul