通过Gramian角场编码和基于构象的电化学传感技术，实现对盐酸克仑特罗的超高灵敏度和特异性检测

《Analytica Chimica Acta》：Ultra-Sensitive and Specific Detection of Clenbuterol Hydrochloride via Gramian Angular Field Encoding and Conformer-Based Electrochemical Sensing

高效检测克伦特罗的电化学传感器及混合分析方法，采用PEG修饰磁纳米颗粒增强选择性吸附与阻抗检测，结合DRT时频转换与GADF-Conformer多尺度卷积注意力模型，实现0.17 μg/L检测限，R2达0.9952，并验证人工汗液和血清中的可靠性。

　　

徐颖|戴佩燕|陈胜辉|鲍汉阳|曹世娟|郭博宇

杭州电子科技大学自动化学院，杭州 310018

摘要

对盐酸克伦特罗（CLB）的敏感和特异性检测对于确保食品安全和有效的兴奋剂控制至关重要。本研究开发了一种基于聚乙二醇（PEG）修饰的磁性纳米粒子（M-PEG）的电化学阻抗传感接口，通过电化学阻抗谱实现了对CLB的高度选择性富集和原始检测。为了解决传统等效电路模型在表征EIS数据复杂界面行为方面的局限性，采用了松弛时间分布（DRT）方法将频域阻抗数据转换为时域松弛谱，从而有效分离了重叠的电化学过程，并进一步增强了特征表示。然后使用Gramian角差场（GADF）编码将一维DRT序列转换为二维图像，并提出了ConformerMultiScaleCNN回归模型，该模型结合了多尺度卷积和自注意力机制，以共同捕获局部纹理模式和全局时间依赖性。实验结果表明，PEG修饰的电极显著提高了对CLB的吸附能力和界面响应，表现出从1到100 μg/L的明确线性响应，检测限低至0.17 μg/L。而GADF-Conformer模型在浓度预测方面表现出色，R²为0.9952，均方根误差为1.77 μg/L，平均绝对误差为2.33 μg/L。该模型在标签减少的情景下也表现出很强的鲁棒性，并且能够区分低浓度目标。Grad-CAM可视化显示，模型的关键关注区域与DRT谱中双层电容和电荷转移过程的耦合特征对齐良好，支持了所提出方法的可解释性。此外，在人工汗液和稀释的人类血清中的测试证实了其高准确性和重复性，显示出在食品安全监测和反兴奋剂应用中的巨大潜力。

引言

盐酸克伦特罗（CLB）是一种β₂-肾上腺素能激动剂，最初因其支气管扩张作用和改善肺功能的能力而被用于治疗呼吸系统疾病。然而，由于其被滥用作为代谢和运动表现增强剂，世界反兴奋剂机构（WADA）已将其列为禁用物质[1]，[2]。因此，开发出灵敏、快速、可靠的检测方法对于准确识别和量化复杂样品中的CLB至关重要。目前主流的分析技术，如液相色谱-质谱（LC-MS）和气相色谱-质谱（GC-MS），具有高准确性和多功能性[2]，[3]。然而，繁琐的样品预处理、低自动化水平以及易受基质干扰和信号抑制的影响限制了它们在现场检测和高通量筛选中的潜力[4]。近年来，磁性固相萃取（MSPE）因其在外部磁场下能够快速分离和富集目标分析物而受到关注，从而显著提高了样品制备的效率[5]，[6]，[7]。其中，聚乙二醇（PEG）修饰的磁性纳米粒子具有优异的水分散性和可调的表面功能，可以通过静电相互作用和氢键在检测前的预处理和富集过程中增强对CLB的选择性识别[4]，[8]。

为了克服检测限制并实现更灵活的检测策略，电化学方法，特别是电化学阻抗谱（EIS），由于其低成本和原位监测能力，已成为重要的补充工具[9]，[10]。EIS可用于表征界面电荷转移和电容行为，提供灵敏的浓度监测指标。然而，基于传统等效电路模型（ECM）的分析严重依赖于预定义的电路结构，可能无法准确表示复杂的界面行为。此外，在非理想条件下，阻抗参数容易受到干扰，由于频率响应的重叠，特征提取会受到影响，从而影响准确性[11]，[12]。为了克服这些限制，应用了松弛时间分布（DRT）方法将频域阻抗数据反卷积为时域表示。从时间序列的角度来看，DRT方法将整体阻抗谱反卷积为独立的时间域分布[13]，[14]。这种时域反卷积提供了更清晰、更易于解释的生物阻抗界面动态描述，无模型方法有效地分离了重叠的动力学过程，提供了对界面机制的更清晰见解[15]。到目前为止，传统的DRT分析依赖于手动选择特征，如峰值位置和半高全宽，这既费力又容易受到噪声的影响[16]，[17]。在复杂的生物样品中，重叠的峰会进一步影响特征提取的稳定性和灵敏度。因此，开发一个自动化、抗噪声且可解释的分析框架变得至关重要，以便充分利用DRT谱中嵌入的丰富信息。

为了解决传统EIS方法在分析复杂电化学系统方面的局限性，特别是它们耗时的手动特征选择和对噪声的高敏感性，本研究提出了一种端到端的混合框架，结合了图像转换和深度学习，如图1所示。使用PEG修饰的磁性纳米粒子构建了一个高灵敏度传感平台进行EIS测量，表现出在1-100 μg/L浓度范围内的强线性响应，检测限低至0.17 μg/L，并通过DRT将频域阻抗数据转换为时域松弛谱以分解重叠的电化学过程。通过使用GADF[18]方法将一维DRT序列转换为二维图像，并采用ConformerMultiScaleCNN网络[19]，[20]来捕获多尺度卷积特征和全局时间依赖性，从而在噪声较大和样品有限的条件下显著提高了预测性能。所提出的策略不是简单组合现有技术，而是一个集成的分析流程，将界面富集、电化学过程分解、信号表示转换和深度学习预测联系起来。最后，在包括人工汗液和稀释的人类血清在内的实际样品中验证了所提出方法的实用性，显示出令人满意的准确性和重复性。进一步应用Grad-CAM可视化来解释学习到的关注区域，这些区域与内在的DRT特征分布有很强的空间对应关系。总体而言，所提出的方法为复杂电化学信号的智能定量分析提供了一个高效且可解释的范式。

部分摘要

化学物质和仪器

本研究使用的所有化学物质和仪器细节在补充信息（SI）中有所描述。

M-PEG的制备

首先合成了Fe₃O₄磁性纳米粒子。在氮气保护下，将1.5 M NaOH溶液置于反应釜中，机械搅拌并加热至80 °C。将FeCl₃·6H₂O（10.81 g）和FeCl₂·4H₂O（3.98 g）溶解在0.5 M HCl溶液中，并以100 mL/h的速率使用注射泵注入碱性溶液中。混合物加热至90 °C并反应1小时后

修饰电极的表征

使用TEM、CV和EIS对包括裸磁性玻璃碳电极（Bare-MGCE）、用磁性纳米粒子MPEG修饰的MGCE（MGCE-MPEG）以及进一步吸附了不同浓度BSA-CLB复合物的MGCE（MGCE-MPEG-BSA-CLB）进行了表征。TEM图像直接展示了电极材料的微观结构和表面形态。如图3(a)和图3(b)所示，MPEG的TEM图像显示了磁性纳米粒子

结论

在这项工作中，通过集成PEG修饰的磁性纳米粒子开发了一种对CLB敏感的电化学传感器，并采用了基于DRT的阻抗分析和GADF增强的深度学习的混合分析方法进行准确预测。更重要的是，所提出的策略建立了一个集成的分析框架，将界面富集、电化学过程分解、信号表示转换和基于深度学习的方法联系起来

CRediT作者贡献声明

鲍汉阳：软件开发。陈胜辉：数据管理。郭博宇：数据管理。曹世娟：可视化。戴佩燕：撰写——原始草稿、可视化、软件开发、数据管理。徐颖：撰写——审稿与编辑、指导

利益冲突声明

作者声明他们没有已知的竞争性财务利益或个人关系可能会影响本文所述的工作。

致谢

本工作部分得到了中国浙江省自然科学基金（项目编号：ZCLZ26F0102）的支持，部分得到了“第十四个五年计划”第二批省级研究生教育和教学改革项目（项目编号：JGCG2024210）的支持，以及杭州电子科技大学2024年研究生教育和教学改革项目（研究生教学成就奖培养专项计划）（项目编号：JXGG2024YB003）的支持。