基于吸附耦合的等离子体Au-COF SERS平台与机器学习的利尿剂灵敏多重检测

《Colloids and Surfaces A: Physicochemical and Engineering Aspects》：Sensitive Multiplex Detection of Diuretics via Adsorption-Coupled Plasmonic Au-COF SERS Platform and Machine Learning

　　•分枝珊瑚状Au-COF基底可实现运动员尿液和膳食补充剂中利尿剂的快速富集与无标记SERS检测。
•协同吸附与等离激元耦合将分析物浓缩至大量热点中，从而放大拉曼信号以用于痕量分析。
•该传感器可在复杂基质中对呋塞米、氯噻嗪和托拉塞米进行稳健且符合法规要求的筛查。

引言

利尿剂是一类通过增加尿量和钠排泄速率来调节体液容量和组成的药理制剂。临床上，它们主要用于治疗高血压、心力衰竭、肝硬化、肾衰竭和肺部疾病等病症，或减轻水钠潴留引起的不良反应[1]。利尿剂主要包括袢利尿剂和噻嗪类利尿剂。临床上常用的药物，如呋塞米、托拉塞米（袢利尿剂）和氯噻嗪（噻嗪类利尿剂），经常被非法添加在无监管的减肥或“排毒”食品（如酒类、饮料、糕点、果冻）中，以制造具有欺骗性的短期水分流失效果。这种效应具有误导性——仅流失水分而非脂肪，并且补液后体重会迅速反弹[2], [3], [4], [5]。此外，不当使用还会导致电解质紊乱、脱水、低血压和肾损伤。在中国，向食品中添加利尿剂被严格禁止，并成为“两超一非”执法行动（超范围、超限量使用食品添加剂，以及非法添加非食用物质）的重点打击对象。

此外，在体育运动中，利尿剂常被运动员滥用，以快速减重或掩盖其他违禁物质的存在。因此，它们被世界反兴奋剂机构（WADA）禁用清单列为S5类物质，并在赛内和赛外均严格禁用[6]。反兴奋剂管理系统的实验室报告表明，S5类物质（利尿剂/掩蔽剂）在体育检测到的兴奋剂中排名第三，占非典型发现/不良分析发现数据总发现量的8.7%[7]。其中，呋塞米的检出率最高，接近32.2%，其次是氯噻嗪（27.7%）。托拉塞米，值得注意的是，其作用持续时间更长且生物利用度高于呋塞米，在阳性发现中也占相当比例。WADA明确禁止在未获得治疗用药豁免（TUE）的情况下使用利尿剂，因为这些药物可能掩盖违禁物质或导致人工减重。然而，包括乙酰唑胺、布美他尼、呋塞米、氯噻嗪、托拉塞米和氨苯蝶啶在内的六种利尿剂，可能作为处方药或非处方口服药物的污染物存在，其尿液浓度通常≤20 ng/mL。因此，根据污染物工作组建议，已为这些物质设定了20 ng/mL的最低报告水平（MRL）。因此，准确量化痕量水平的利尿剂对于食品安全和反兴奋剂监测均至关重要[8]。

目前，已有多种分析技术被开发用于利尿剂检测，包括液相色谱-质谱联用（LC-MS）、高效液相色谱-二极管阵列检测（HPLC-DAD）、色谱法、分光光度法和伏安法。虽然这些成熟技术具有实用性和可靠性，但在超痕量灵敏度（ng/mL水平）、基质干扰耐受性和耗时样品前处理需求方面仍存在分析瓶颈[9]。因此，开发新型检测方法以应对这些挑战已成为研究热点。其中，表面增强拉曼光谱（SERS）通过贵金属纳米结构界面上的等离激元介导信号放大，实现超灵敏的分子指纹识别，能够在复杂基质中以无与伦比的特异性精确识别痕量分析物[10], [11]。近年来，许多研究团队致力于推进基于SERS的利尿剂检测平台。例如，Shyni等人利用金纳米颗粒（Au NPs）对利尿剂三氯甲噻嗪的拉曼和红外光谱进行了全面的实验和理论研究[12]。然而，他们的研究并未专注于优化ng/mL水平检测的分析灵敏度，也未解决SERS适用性中的实际挑战。相反，该研究通过比较红外和拉曼数据的实验与理论分析，侧重于监测肺癌相关生物分子的分子结构和光谱特征。目前，仍缺乏关于无标记SERS方法检测这几种利尿剂的文献报道。

SERS中的拉曼增强源于电磁（EM）和化学增强机制的协同贡献，其中电磁机制通常起主导作用[13]。因此，基于Au、Ag或Pt纳米颗粒（NPs）的传统SERS基底主要依赖于表面等离激元共振（SPR）诱导的电磁放大来增强拉曼信号。然而，这些金属纳米颗粒往往存在固有的热力学不稳定性。金属纳米颗粒的高表面能会驱动不受控制的聚集和融合，导致增强能力下降、长期稳定性受损和批次间差异。近年来，越来越多的研究关注点转向等离激元杂化纳米结构中金属纳米颗粒配位产生的SPR效应。在此背景下，共价有机框架（COF）作为有趣的结晶多孔聚合物崭露头角，展现出三重功能：（1）通过π-π相互作用和主客体化学实现卓越的分子吸附能力，从而高效富集分析物；（2）作为空间限域生长模板，实现纳米颗粒的均匀沉积；（3）通过共价锚定实现稳健的稳定化支架，抑制金属迁移和聚并[14], [15], [16]。这种多功能集成通过改善信号增强、结构稳定性和重现性，解决了传统SERS基底的经典局限性[17]。近期关于杂化SERS平台的研究，包括NiO/g-C3N4/Ag、CNC/ZIF-8/Ag、Ag@Fe3O4/UiO-66-NH2和g-C3N4/Ag，进一步证明了将贵金属纳米颗粒与多孔或半导体载体耦合以增强分析物富集、等离激元放大和多功能性的优势[18], [19], [20], [21]。在此框架下，Au-COF材料在SERS分析中也引起了越来越多的兴趣。Cheng等人开发了一种Au纳米颗粒修饰的COF复合材料，用于检测食品中的孔雀石绿和福美双残留[22]；Tan等人报道了一种Au NPs@COF复合材料，用于肉制品中亚硝酸盐的双模式SERS/比色传感[23]。这些研究突显了Au-COF结构在结合分析物富集与等离激元信号放大方面的潜力。然而，现有的Au-COF SERS研究主要集中在特定食品污染物上，而对结构相关小分子药物在复杂食品和生物基质中的直接多重检测与区分仍未得到充分探索。特别是，结构相似的利尿剂的重叠拉曼特征为可靠识别和多重分析带来了额外挑战。因此，将基于Au-COF的SERS从单一污染物传感扩展到利尿剂的直接、多重和智能区分，仍具有相当大的分析学意义。

近年来，人工智能（AI）算法受到广泛关注并应用于拉曼光谱，使SERS从单纯的传感工具发展为一个更全面的分析平台[24], [25], [26], [27]。迄今为止，已有多种分类算法与拉曼技术结合用于光谱解释，包括卷积神经网络（CNN）[28]、k近邻（KNN）[29]、多层感知器（MLP）[30]、随机森林（RF）[31]和极限梯度提升（XGBoost）[32]。其中，CNN模型是一种强大的深度学习算法，具有多层网络结构，特别适用于图像分类任务。CNN与SERS的结合已成为食品安全和反兴奋剂监测中的一种强大检测技术。2024年，Fang等人使用薄层色谱银SERS基底结合CNN模型对四种农药进行分类。类似地，Shi等人将分子网络和机器学习应用于生物基质中芬太尼的非靶向筛查[33], [34]。这些研究突显了CNN模型在兴奋剂识别和检测中应用的有前景且极具意义的方向。

本研究引入了一种分枝珊瑚状金-共价有机框架（Au-COF）SERS基底，用于同时检测三种代表性利尿剂：呋塞米、托拉塞米和氯噻嗪。Au-COF基底通过绿色合成方法制备，包括COF材料的合成，然后通过原位光还原法将Au NPs负载到框架上，无需额外还原剂或表面改性剂。该基底利用其吸附-等离激元耦合的结构特性，有效富集“热点”区域内的目标分子，从而提高SERS灵敏度。我们SERS平台的等离激元-吸附双功能结构首次实现了呋塞米、氯噻嗪和托拉塞米拉曼指纹光谱的捕获，检测限低至10?? g·mL?1，并具备对三种结构各异分析物的多重检测能力。该SERS基底还成功应用于实际样品（尿液和功能食品）中痕量利尿剂的定量分析。为了进一步提高该传感平台区分三种利尿剂的能力，我们进一步开发了光谱数据预处理后的双输入增强一维卷积神经网络（1D-CNN）辅助SERS检测系统。该模型在测试集上对三种利尿剂的多分类任务以及实际食品样品中托拉塞米的检测任务均实现了100%的总体准确率，所有分析物的受试者工作特征曲线下面积（ROC-AUC）均为1.000，这充分验证了该算法辅助SERS检测系统在食品安全和运动反兴奋剂监测中筛查非法添加剂方面的广泛应用前景。本研究不仅通过微结构工程拓展了Au-COF作为高效SERS基底的应用，还为食品安全和环境监测中痕量利尿剂的灵敏检测提供了一种有前景的策略。

材料与试剂

1,3,6,8-四(4-甲酰基苯基)芘（TFPPy）、1,3,5-三(4-氨基苯基)苯（TAPB）、均三甲苯、1,4-二氧六环、乙酸和苯胺购自阿拉丁试剂（中国上海）。四氢呋喃（THF）、氯金酸（HAuCl?）和丙烯酸由上海麦克林生化科技有限公司（中国上海）提供。氯噻嗪、呋塞米和托拉塞米由上海安谱璀标标准技术服务有限公司提供。所有实验均使用去离子水进行。

Au-COF SERS基底的制备与表征

图1A展示了Au-COF SERS基底的光还原制备过程。首先，亚胺连接的TAPB-TFPPy-COF材料可通过将TAPB和TFPPy的悬浮液在均三甲苯/1,4-二氧六环（4:1）和乙酸水溶液的混合物中加热来可重复合成。本研究使用的Au-COF SERS基底采用最初由[35]报道的相同光还原方案制备。图1B中的SEM分析显示，合成的COF呈现出分枝状形貌。

结论

本研究通过光还原法合一种Au-COF基底，并将其用作基于SERS直接多重利尿剂检测的新型传感平台。合理设计的Au-COF杂化结构协同结合了COF的分子富集能力与Au NPs的等离激元增强效应，从而实现优异的SERS性能。基于4-NTP在1342 cm?1拉曼峰强度计算的Au-COF增强因子为1.28 × 10?，且具有可重现性。

注释

作者声明无竞争性经济利益。

声明与披露

作者声明，不存在可能影响本论文所述工作的竞争性经济利益或个人关系。

资助

我们衷心感谢四川省科技计划项目[No. 2026NSFC0156]和国家体育总局2025年科技创新项目（Grant No. 25KZCX059）的资助。

CRediT作者贡献声明

翟福恒：软件、资源、概念化。邵兵：写作-审阅与编辑、监督、资金获取。陈红：验证、数据管理。罗小军：监督、项目管理、资金获取。王云霞：调查、正式分析。张一楠：软件、资源。沈明珠：验证、方法学。李婷：写作-初稿、调查、正式分析。

利益冲突声明

作者声明，不存在已知的竞争性经济利益或个人关系影响本论文所述工作。

李婷|张一楠|沈明珠|王云霞|陈红|翟福恒|罗小军|邵兵