食品污染物荧光侧流免疫层析分析：从功能纳米材料到检测平台

《TRAC-TRENDS IN ANALYTICAL CHEMISTRY》：Fluorescent lateral flow immunochromatographic assays for food contaminants: From Functional Nanomaterials to Detection Platforms

　　•整合了荧光纳米材料、传感机制和信号读出的最新进展。
•提供了多重和模态荧光侧流免疫分析技术的统一概述。
•批判性地讨论了荧光侧流免疫分析当前面临的局限性和新兴解决方案。
•展望了面向智能化和集成化生物传感平台的未来发展方向。

引言
当前，与食源性病原体、农药和兽药残留以及真菌毒素污染相关的食品安全问题日益突出，对公众健康构成了重大威胁[1]。典型的食品安全定量分析技术以液相色谱-质谱联用（LC-MS）、气相色谱-质谱联用（GC-MS）和聚合酶链式反应（PCR）为代表。这些仪器分析方法受到设备成本高昂、需要专业技术人才、样品前处理流程复杂以及分析时间较长等限制[2]。为弥合实验室级准确性与现场即时性之间的差距，适应食品货架期短的特点，并满足新兴行业领域中移动检测和监管执法的需求，已开发出酶联免疫吸附测定（ELISA）和侧流免疫层析分析（LFIA）等快速筛查技术[3]。然而，ELISA受限于操作步骤多、检测时间相对较长。尽管LFIA具有操作简便、检测快速等优势，但其灵敏度和定量性能常常因胶体金标记物的信号强度较低而受到影响。因此，传统的基于胶体金的LFIA难以满足痕量污染物检测的要求[4]（这些技术的优缺点见表1）。目前，使用新型荧光纳米材料作为信号标记物是克服基于胶体金的LFIA固有局限性的最有前景的策略之一。

近年来，多种新型荧光纳米材料已被广泛用作传统胶体金标记的替代品用于LFIA的开发。其中，最具代表性的高性能荧光纳米材料包括半导体量子点（QDs）、上转换纳米颗粒（UCNPs）、聚集诱导发光纳米材料（AIENPs）、近红外有机荧光团、贵金属荧光纳米簇、染料掺杂荧光纳米颗粒、时间分辨荧光微球（TRFMs）、碳点（CDs）、碳纳米管（CNTs）和荧光纳米金刚石（FNDs）[5]（高性能荧光纳米材料的分类见图1）。这些荧光侧流免疫分析（FLFIA）能够提供高分析灵敏度、定量读出和多重检测能力，其性能取决于荧光探针、检测架构、样品基质和信号读出配置。

Kim、Shin、Shin、Kim、Pham、Park、Kim、Kim和Jun[6]总结了各种荧光材料的基本特性及其在LFIA中的应用。Zhang、He、Wang、Wu、Dong和Wang[7]讨论了多模态信号策略的协同增强效应。Li、Jallow、Nidiaye、Huang、Zhang、Li和Tang[8]描述了FLFIA在真菌毒素检测领域的应用和发展。Huynh、Vo和Le[9]评估了下一代多重LFIA的演进。然而，这些综述并未提供涵盖FLFIA整体演进的综合视角。特别是，从荧光纳米材料设计和信号产生机制到多重和模态检测架构的构建，再到信号读出策略和智能信号采集的发展，尚未被系统地讨论。Wang、Wu、Li、Zhao、Cheng、Li和Liu[10]总结了多功能纳米材料辅助LFIA在食品安全领域的最新进展，重点强调了多功能纳米材料的合理设计、多模态信号输出策略以及提高LFIA性能的多维方法，包括样品前处理和信号放大。相比之下，本综述专注于FLFIA，对荧光纳米材料进行了明确分类，并讨论了其近年来的合成策略和信号产生机制。除多模态信号输出策略外，本综述还考虑了信号开启策略，并重要的是系统讨论了信号读出模式的演进和仪器辅助信号采集的发展，这些并非上述综述的主要关注点。Liu、Sun、Zhang、Shu、Zhang、Wang、Wang、Dou、Huang、Yang和Wang[11]综述了农食产品LFIA的增强型信号示踪剂和分析策略，主要关注如何通过信号示踪剂和分析策略的进步来增强LFIA信号。相比之下，本综述以FLFIA为中心，遵循从荧光纳米材料设计到检测架构和信号读出的演进脉络。这一框架连接了FLFIA发展的三个紧密相关的层面：用于信号产生的荧光纳米材料、用于信号组织和多重检测的检测架构，以及用于信号采集和解读的信号读出技术。因此，本综述并非聚焦于LFIA发展的单一层面，而是将材料创新、检测架构和读出技术整合为一个统一框架，为现有关于多功能纳米材料和信号增强策略的综述提供了互补视角。

本综述不仅总结了不同荧光纳米材料的合成方法及其在各个领域的应用，还介绍了FLFIA的多重检测和多模态检测技术。此外，本综述展示了用于FLFIA信号读出的各种智能设备，并重点介绍了信号读出策略的最新进展。最后，本综述进一步讨论了FLFIA面临的现有挑战和未来发展前景。

系统文献检索主要通过Web of Science进行，涵盖2021年至2026年，以捕捉FLFIA在食品污染物检测领域的最新进展。检索策略结合了与检测平台（LFIA、FLFIA、侧流免疫层析分析、荧光侧流免疫分析）、信号标记物（荧光纳米材料）、应用领域（食品行业、真菌毒素、农药、食源性致病菌）以及新兴检测策略（双模态到多模态集成、多重FLFIA、开启模式、信号读出策略、信号读取设备）相关的关键词。纳入标准为报道了基于荧光纳米材料的LFIA平台用于食品污染物检测的研究，重点纳入引入新型信号标记物、多重检测架构、多模态检测模式或智能读出策略的工作。对检索文献和相关综述的参考文献列表进行了手动筛选，以识别其他符合条件的研究。基于此检索，本综述围绕三个相互关联的维度——荧光纳米材料设计、检测架构演进和信号读出创新——展开，共同提供一个整合框架，以补充现有侧重于FLFIA单一方面的综述。

章节片段

无机荧光纳米材料
无机荧光纳米材料由无机基质组成，尺寸通常在1至100纳米之间。它们表现出若干优异的光学特性，包括尺寸可调的发射波长、窄而对称的发射光谱、高荧光量子产率、优异的光稳定性和强的抗光漂白能力[12]。凭借这些突出特性，无机荧光纳米材料作为FLFIA中的信号探针展现出巨大潜力。

有机荧光纳米材料
有机荧光纳米材料是一类由有机荧光团或聚合物组成的纳米级材料[25]。根据发光体和载体的设计，它们可以表现出大的斯托克斯位移，从而实现激发和发射信号的有效分离[26]。当选择合适的发光体和载体时，这些优势可以赋予高灵敏度、低背景噪声和操作简便性，使其对FLFIA应用极具吸引力。然而，这些特性依赖于有机荧光团和载体的选择。

碳基荧光纳米材料
碳基荧光纳米材料通常由有机前驱体合成，由碳质核心和周围丰富的含氧或含氮表面官能团组成。它们具有可调的光致发光特性，并在某些配方体系中具有高的光致发光量子产率，使其成为传感应用中有吸引力的荧光探针[36]。尽管这些特性高度依赖于碳前驱体、杂原子掺杂剂和表面官能团。

量子点微球
当用作信号探针时，单个量子点受限于其相对较低的单个标记亮度（与多量子点微球相比），以及易受环境干扰和荧光间歇性（闪烁）的影响。此外，其非定向偶联可能导致抗体活性部分丧失。相比之下，由于每个微球中含有大量量子点，量子点微球（QBs）可提供显著的信号放大，从而显著提高检测灵敏度、改善稳定性。

FLFIA在食品污染物检测中的应用
食品污染物的多样性和复杂性对全球食品安全构成重大挑战。这些有害物质可在食物链中富集，对人类健康构成严重风险，并与多种不良健康效应密切相关[75]。为应对日益增长的食品安全监测需求，传统的比色LFIA常常受限于其相对较低的信号强度和不足的灵敏度。相比之下，FLFIA已发展成为

多重FLFIA信号区分策略的进展
食品样品经常同时受到多种有害物质的污染。例如，谷物产品可能含有多种真菌毒素，动物源性食品常含有多种兽药残留，水果和蔬菜可能受到多种农药残留的污染[100]、[101]、[102]。在此背景下，多重LFIA的发展已成为应对多种食品污染物共现的重要策略。

荧光多模态检测：从双模态到多模态集成的演进
在实际应用中，单模态响应读数的准确性不足制约了生物传感器的发展。为解决这一问题，将两种或更多信号输出模式集成到同一试纸条中的多模态检测应运而生。与单模态检测相比，双模态检测策略可以灵活响应不同的检测信号，进一步提高方法的准确性[121]。然而，多重信号的存在并不一定意味着

FLFIA的信号读出策略
在FLFIA发展的早期阶段，信号读出主要依赖于紫外激发下的目视观察。测试线和控制线上荧光条带的有无用于定性评估，而半定量分析通过比较条带的相对亮度实现[152]。然而，这种方法本质上具有主观性，缺乏准确的定量能力，且灵敏度受限，同时容易受到

结论与展望
本综述全面总结了用于食品安全监测的FLFIA的最新进展，重点介绍了新兴的功能纳米材料、LFIA平台的技术创新以及信号读出策略的演进。然而，尽管过去十年取得了显著进展，但若干关键挑战仍然阻碍着这些技术的广泛实际应用和商业化。

荧光纳米材料支撑着FLFIA的性能；然而，它们的固有局限性

CRediT作者贡献声明
Chifang Peng：写作——审阅与编辑，监督，概念化。Zhouping Wang：写作——审阅与编辑，概念化。Alberta Osei Barimaha：可视化。Wei Ma：写作——审阅与编辑，概念化。Shuchang Wang：写作——原稿，可视化，调查，数据管理。Xinyan Guo：可视化。

利益冲突声明
作者声明，他们不存在已知的、可能影响本研究报告工作的竞争性经济利益或个人关系。

数据可用性
本文所描述的研究未使用任何数据。

利益冲突声明
作者声明，他们不存在已知的、可能影响本研究报告工作的竞争性经济利益或个人关系。

致谢
本工作得到国家重点研发计划（2022YFD2101105）的资助。

Shuchang Wang | Xinyan Guo | Alberta Osei Barimaha | Wei Ma | Zhouping Wang | Chifang Peng