可解释的深度学习结合表面增强拉曼散射（SERS）技术，用于同时检测电子香烟中的尼古丁和依托咪酯异构体

《Analytica Chimica Acta》：Explainable Deep Learning Combined with SERS for Simultaneous Detection of Nicotine and Etomidate Isomers in E-Cigarettes

非法添加物电子烟检测方法：融合表面增强拉曼光谱与深度学习构建高灵敏、可解释的检测体系，成功实现尼古丁及四种乙咪唑酮异构体的痕量识别（检出限0.1μg/mL），通过密度泛函理论计算揭示特征峰振动模式，并利用Grad-CAM可视化关键SERS信号峰，为现场快速筛查提供技术支撑。

　　

作者：秦亚洲、王旭青、傅梦泽、毛吉凯、何映生、王继业

中国浙江省杭州市滨江区滨江路555号浙江警察学院浙江省药物预防与控制技术重点实验室，邮编310053

摘要

将非法药物添加到电子烟中对人类健康和社会安全构成了重大威胁。因此，开发准确快速的检测方法以识别电子烟中的非法药物添加剂具有重要意义。本研究结合深度学习与表面增强拉曼光谱（SERS）技术，开发出一种高灵敏度的检测方法，用于检测尼古丁和四种依托咪酯异构体。首先，对五种药物标准样品进行了拉曼光谱和SERS检测；随后利用密度泛函理论计算分析了各种物质的特征峰振动模式。此外，还开发了一种适用于市售电子烟的液-液萃取预处理方法，实现了尼古丁和依托咪酯异构体的同时检测。所有五种物质均实现了痕量级检测。随后构建了一个可解释的深度网络模型，用于这些物质的分类和鉴定，准确率达到97.8%。为了进一步提高模型的透明度和可解释性，采用了梯度加权类激活映射（Grad-CAM）技术，揭示了分子鉴别所需的关键SERS峰。本研究为电子烟中非法药物的快速现场筛查提供了强有力的技术支持。

引言

电子烟由丙二醇、植物甘油和香料按不同比例混合而成，因此受到吸烟者的广泛青睐[1]。然而，为了牟取利润，一些不法分子在电子液体中添加了违禁物质，包括兴奋剂、镇静剂和麻醉剂[2]。在电子烟添加剂中，尼古丁和依托咪酯类新型精神活性物质尤为常见。尼古丁被认为是毒性最强的生物碱之一[3]；长期接触尼古丁可能导致多种健康问题，如恶心、呕吐、肺损伤和心力衰竭[4]。依托咪酯类新型精神活性物质可能抑制肾上腺皮质功能，甚至导致死亡[5, 6]。这些异构体在生物体内的代谢差异可能导致不同的健康风险[7]。因此，建立精确高效的检测方法以识别电子烟中的非法添加剂对于打击药物滥用和保障公共安全至关重要[8]。

电子烟中非法药物添加剂的检测方法包括荧光法、气相色谱-质谱（GC-MS）、液相色谱-质谱（LC-MS）以及热脱附电喷雾离子化-三重四极杆质谱联用技术。尽管这些方法具有出色的灵敏度并能实现高精度定量分析，但在实际应用中仍面临诸多挑战[9, 10, 11, 12, 13, 14, 15]。这些技术的预处理步骤通常较为复杂，涉及样品纯化和浓缩，不仅耗时，而且需要操作人员具备较高的技术水平。此外，虽然这些方法在分析单个成分方面表现出色，但在区分高度相似的异构体时存在困难，从而限制了其在复杂基质中的应用。此外，这些检测设备通常体积较大、价格昂贵，需要专门的实验室环境，这给快速现场筛查带来了不便。

作为一项新兴的检测技术，表面增强拉曼光谱（SERS）为复杂基质中异构体的分析提供了新的方法，其优势在于高灵敏度、快速性、非破坏性和类似分子指纹的特异性。通过将目标物质吸附到纳米结构金属表面上，SERS通过局域表面等离子体共振效应显著增强了拉曼散射信号，从而便于检测痕量物质[16]。其主要优势在于能够在分子水平上提供化学信息，并具有极高的灵敏度，适用于催化、生物医学、食品科学和环境分析等多个领域[17, 18, 19, 20, 21, 22, 23, 24]。例如，Luis等人开发了一种新型的时间分辨电化学SERS方法，在银丝网印刷电极上原位生成均匀分布的银纳米颗粒，实现了电子烟中尼古丁的定量检测[22]。该方法结合并行因子分析，不仅能检测尼古丁，还能识别潜在干扰物，显著提高了复杂基质分析中的抗干扰能力。Zhang等人通过模板辅助蚀刻和沉积方法制备了具有高密度电磁增强“热点”和均匀结构的金有序阵列SERS基底，实现了依托咪酯及其代谢物的快速检测和准确鉴定。这种方法显著提高了检测灵敏度（增强因子为3.26×10⁷）和信号重复性（相对标准偏差<5%），有效克服了复杂基质的干扰[24]。然而，电子烟液体由丙二醇和植物甘油以及添加的香料和色素组成，这些复杂基质会对表面增强拉曼散射（SERS）检测造成显著干扰。特别是对于结构相似的物质，其光谱特征非常接近，复杂的基质会严重掩盖分子光谱特征峰，导致其特征信号被掩盖。因此，在电子烟中识别非法添加的结构相似药物仍然是一个重大挑战。

在光谱分析领域，结构相似物质的光谱信号具有高度相似性，手动分析难以实现精确的定性区分。深度学习凭借其自动化的特征提取机制，有效解决了光谱数据的复杂性问题，为解决这一问题提供了新的途径[25, 26, 27, 28, 29, 30]。例如，Sun等人开发了一种基于人工智能的表面增强拉曼光谱（SERS）平台，无需生物受体即可快速鉴定弧菌种类。通过将梯度加权类激活映射辅助的Vision Transformer智能光谱分析模型与定制便携式拉曼仪器的自动测量功能相结合，他们在七种细菌物种中的鉴定准确率达到97.62%；整个样本到结果的检测过程仅需10分钟[31]。Zhao等人开发了一种无标记诊断平台，将SERS技术与深度学习结合，从含有11种病毒、9种双病毒混合物和4种三病毒混合物的唾液样本中收集了超过120万条SERS光谱。通过开发MultiplexCR深度学习模型，他们实现了从SERS光谱中同时预测病毒类型和浓度；该模型在病毒共感染分类中的准确率达到98.6%，浓度回归的均方绝对误差仅为0.028%，整个检测过程仅需15分钟[32]。Wang等人提出了一种结合CNN和Transformer的深度学习算法，用于混合拉曼光谱的定性分析。通过将光谱转换为64词向量并计算每个向量对成分的贡献权重，该算法在验证75组光谱数据时表现出色，阳性识别率为100%，召回率为99.3%[33]。因此，深度学习为结构相似物质的SERS光谱数据分析提供了一种新的方法。

本研究提出了一种利用深度学习和SERS的高灵敏度检测方法，用于识别电子烟中的尼古丁和依托咪酯异构体。首先，通过拉曼光谱表征了尼古丁和依托咪酯异构体，并通过密度泛函理论计算分析了其特征峰的振动模式；随后使用金纳米颗粒作为基底，对标准样品和市售电子烟中的添加样品进行了SERS检测。为了解决高度相似异构体光谱的区分问题，开发了一个可解释的分类模型，实现了电子烟中尼古丁和依托咪酯异构体的准确快速鉴定。

材料与仪器

材料与试剂：氯化钠（NaCl，ACS，≥99%）、乙酸乙酯（AR，≥99.5%）、盐酸（37%）、氢氧化钠（NaOH，AR，96%）和甲醇（CH₃OH，AR，≥99.5%）均由Aladdin Reagent Co., Ltd.提供。所有试剂均直接使用，无需额外纯化。含尼古丁浓度为18 mg/mL的电子烟通过商业渠道购买。金纳米颗粒（Au NPs）在实验室中合成。制备了100 mL的0.01%氯金酸（HAuCl₄）溶液

电子烟中尼古丁的SERS检测

合成的金纳米颗粒（Au NPs）的形态和大小通过透射电子显微镜（TEM）和动态光散射（DLS）进行了表征，结果见图S2。Au NPs呈球形，分散性良好，平均粒径为54 nm（n=300）。利用Au NPs作为增强基底，对尼古丁标准样品进行了表面增强拉曼散射（SERS）检测，结果如下

结论

总结而言，本研究通过结合表面增强拉曼光谱与深度学习算法，成功实现了电子烟油中尼古丁和四种依托咪酯异构体的快速、准确和高灵敏度检测，实现了目标物质的痕量级检测。尼古丁和四种依托咪酯异构体的最低检测浓度分别为180 ng/mL和0.1 μg/mL。分析了这五种物质的特征振动模式

作者贡献声明

毛吉凯：撰写初稿、验证、方法学设计、实验研究、数据管理。傅梦泽：撰写初稿、方法学设计、数据管理。王继业：撰写初稿、方法学设计、资金获取、概念构思。何映生：撰写初稿、验证、概念构思。王旭青：撰写初稿、方法学设计、实验研究、数据管理。秦亚洲：审稿与编辑、撰写初稿、方法学设计、实验研究

利益冲突

“无需要声明的利益冲突。”

资助

本研究得到了国家自然科学基金（编号62541210）、浙江省自然科学基金（LTGC24B050008）以及中央科技发展指导计划（项目编号2025ZY01109）的支持。

利益冲突声明

代表我的合作者声明，本手稿中的研究内容是原创的，尚未在其他地方发表，也未被考虑发表。所有作者均已批准该手稿的提交，且不存在与发表相关的利益冲突。