《Microchemical Journal》：A rapid quantitative method for determining glucose and fructose in honey using APSGS/GO/AuNPs SERS materials combined with machine learning
编辑推荐：
本研究开发了一种基于APSGS/GO/AuNPs的固态SERS平台，用于高灵敏度检测蜂蜜中葡萄糖和果糖。通过4-MPBA探针，检测限达9.7×10^-6 M，线性范围1×10^-5–8×10^-3 M。结合CARS算法筛选特征峰及BRR/SVR模型，葡萄糖和果糖的R2均超0.95，RMSEP分别为0.5015和0.2112。该法快速便携，适用于蜂蜜品质检测。
张慧|夏涵|沈婷婷|赵阳兰|王玉燕|周 Conghui|童胜强|朱杰强
浙江工业大学药学院，化学药物绿色制造技术浙江省重点实验室，中国杭州市潮王路18号，310014
摘要
蜂蜜中葡萄糖和果糖的含量及比例差异直接影响其品质、风味和营养价值。鉴于全球食品安全问题背景下对快速、准确检测蜂蜜品质的需求日益增长，同时缺乏智能现场检测工具，本研究的相关性和重要性尤为突出。实现蜂蜜的快速智能检测在食品和制药领域仍是一个紧迫的挑战。在本研究中，开发了一种基于自组装APSGS/GO/AuNPs基底的固态SERS平台，用于高灵敏度检测葡萄糖和果糖。该结构通过多步骤控制组装工艺制备，结合了氧化石墨烯（GO）的高密度热点和AuNPs的信号增强效应。使用4-巯基苯硼酸（4-MPBA）作为信号分子，检测限达到9.7×10^-6 M，线性范围为1×10^-5–8×10^-3 M。在捕获蜂蜜中葡萄糖和果糖的特征光谱后，采用CARS技术筛选关键特征波数，并分别构建了BRR和SVR定量模型。结果表明，葡萄糖（CARS-BRR）和果糖（CARS-SVR）的最佳模型的R^2_p均超过0.95，RMSEP分别为0.5015和0.2112。该算法实现了对蜂蜜中这两种糖的高灵敏度和快速检测。实验结果表明，该方法具有低检测限和优异的重现性，为蜂蜜质量控制、真实性验证和市场监管提供了可靠的技术支持，对促进蜂蜜产业的健康发展具有重要意义。
引言
随着消费者对健康和天然产品的青睐，蜂蜜因其丰富的糖分、酶和生物活性化合物而成为备受推崇的营养品[1]、[2]。然而，许多因素会影响蜂蜜的基本性质，包括提供花蜜的植物种类、蜜蜂品种、地理区域和采集条件[3]。目前常用的糖分检测方法包括HPLC-ELSD、GC/GC–MS和微流控芯片技术。Tang等人开发了一种新的策略，利用UPLC/Q-TOF-MS和PMP进行体内表征、提取、分离和生物活性评估，用于鉴定从茯苓煎剂中吸收的抗炎寡糖[4]。Li等人开发了一种基于微流控的PEC传感器，可同时检测与糖尿病及其并发症相关的四种生物标志物——葡萄糖、乳酸、丙酮酸和3-羟基丁酸[5]。此外，HPAEC/PAD也被用于测定蜂蜜中的糖分成分[6]、[7]。然而，这些方法相对复杂，需要多个预处理步骤，因此需要寻找替代的快速检测方法[8]。表面增强拉曼光谱（SERS）作为一种非侵入性和快速的分析技术，通过特征“分子指纹”拉曼信号实现了目标分析物的高灵敏度识别[9]、[10]。凭借其超高灵敏度和快速、无损的优点[11]，SERS能够精确捕获蜂蜜中葡萄糖和果糖等糖分的分子指纹信息，为蜂蜜检测提供了一种新方法[8]、[12]。随着SERS技术的进步，传统的线性数据处理方法已不足以满足需求，促使人们探索增强SERS分析的新方法[13]、[14]。最近在机器学习（ML）技术方面的进展提高了SERS的快速分析和自动化数据处理能力[15]、[16]。因此，SERS常与机器学习结合使用以实现可靠检测[17]、[18]。当SERS与机器学习结合时，可以深入挖掘SERS光谱中的隐藏信息，实现智能分析和蜂蜜成分的精确预测[19]。Salvador等人使用主成分分析（PCA）记录和分析蜂蜜的拉曼和红外（IR）光谱以进行质量验证[20]。SERS技术与机器学习算法的结合不仅克服了单一检测方法的局限性[21]，还为蜂蜜质量监测和真实性验证开辟了高效、智能的新途径。目前报道的基于SERS的碳水化合物检测方法主要集中在体液中单葡萄糖的检测[22]、[23]、[24]。对于富含多组分碳水化合物的复杂基质（如蜂蜜），传统检测方法容易受到蛋白质和有机酸等杂质的信号干扰，导致葡萄糖和果糖的特征峰重叠，降低定量准确性，检测难度显著增加。本研究利用APSGS/GO/AuNPs复合系统的优异增强性能，并结合机器学习模型，建立了实时监测蜂蜜中果糖和葡萄糖含量的定量模型。不同类型蜂蜜之间的基质组成差异容易干扰传统检测方法的信号识别和定量准确性。结合机器学习模型对特征波数进行精确筛选，进一步消除了基质背景干扰，确保了定量模型在不同蜂蜜品种间的稳定性能。样品只需简单预处理（稀释即可进行检测，无需复杂的提取或酶解步骤），单次样品分析可在15分钟内完成，实现快速检测。便携式拉曼光谱仪消除了大型设备的空间限制，实现了复杂基质中碳水化合物的快速现场检测。结合操作简便和无损检测的优点，该技术非常适合广泛应用于质量检测。
材料与方法
APSGS/GO/AuNPs的合成与检测原理
APSGS/GO/Au纳米颗粒通过逐步自组装过程合成：APSGS作为表面酰胺化的玻璃片，通过酰胺键（-CO-NH-）与羧基化的氧化石墨烯结合。随后，PEI层通过共价和静电作用结合到GO表面。通过柠檬酸还原制备直径为30纳米的Au纳米颗粒，这些颗粒通过静电和N
Au相互作用在APSGS/GO-PEI表面上组装形成APSGS/GO/AuNPs。
结论
本研究构建了一种基于APSGS/GO/AuNPs的高性能SERS基底，用于检测糖类物质。通过集成基于机器学习的特征波数选择算法CARS和多种定量模型，实现了对蜂蜜样品中葡萄糖和果糖的检测。APSGS/GO/AuNPs-4-MPBA传感器对多种干扰物质（包括抗坏血酸、多巴胺、蔗糖和尿酸）进行了测试，其中葡萄糖表现出最强的响应。作者贡献声明
张慧：撰写 – 审稿与编辑、监督、资源管理、项目管理、资金获取、概念构思。夏涵：撰写 – 原稿撰写、方法学设计、实验研究、数据管理。沈婷婷：方法学设计、实验研究、数据分析。赵阳兰：验证、实验研究、数据分析。王玉燕：验证、实验研究、数据分析。周 Conghui：撰写 – 原稿撰写、方法学设计。童胜强：方法学设计资助
本研究得到了国家自然科学基金（项目编号：82474048）、国家天然与仿生药物重点实验室（项目编号：K202416）以及浙江省科技厅项目（项目编号：2022C03062）的支持。感谢浙江省中医药创新研发与数字智能制造重点实验室的支持。利益冲突声明
作者声明没有已知的财务利益或个人关系可能影响本文的研究结果。
