基于人工智能的表面增强拉曼光谱技术，用于可持续地检测运动员生物流体中微量掺杂剂

《Microchemical Journal》：AI-driven surface-enhanced Raman spectroscopy for sustainable trace-level micro chemical detection of doping agents in athlete biofluids

　　

郭子健|乔泽波|陈宇

广东第二师范学院体育学院，中国广东省广州市510320

摘要

由于传统方法在灵敏度、速度和环境可持续性方面的不足，检测运动员生物流体中微量禁用兴奋剂的浓度仍然是反兴奋剂分析的一大挑战。我们开发了一种创新的基于人工智能的表面增强拉曼光谱（SERS）方法，该方法利用工程化的纳米结构等离子体基底与先进的机器学习算法相结合，能够检测出极低浓度的禁用物质。这项新技术将实现快速、选择性和灵敏地检测汗液、唾液和尿液等复杂生物基质中的兴奋剂。我们的新型SERS平台利用金属纳米结构放大拉曼信号，从而在几乎不需要样品预处理的情况下实现极其精确的分子表征。为了提高准确性和稳健性，我们将使用智能计算模型（如支持向量机和深度神经网络）对处理后的光谱数据进行分类，分类准确率可高达98%。此外，人工智能组件显著减少了光谱数据差异、噪声干扰和峰重叠带来的不利影响，从而提高了兴奋剂检测的可靠性。该方法能够在纳摩尔和皮摩尔级别检测到物质；具有大于或等于0.98的高线性度；重复实验之间的变异性低，从而提供高水平的分析准确性。与现有的常规色谱和质谱技术相比，该方法所需的试剂量减少了70%至85%，分析速度更快（每个样本不到2分钟），且能耗更低。此外，微型传感器的使用以及数据驱动的分析将有助于开发便携式诊断设备，实现实时和/或分散式的反兴奋剂监测。通过实验和模拟测试证明了该方法在检测微量和亚微量物质方面的灵敏度、特异性和可扩展性。总之，表面增强拉曼光谱（SERS）与基于人工智能（AI）的智能计算相结合，可以被视为可持续微量化学分析领域的革命性突破。该系统有望为体育诚信问题以及其他生物医学应用提供可行的、环保的解决方案。

引言

为了防止兴奋剂使用，科学家需要能够在运动员的尿液或血液（生物流体）中检测出禁用物质。一种强大的分析方法必须足够灵敏，能够在含有多种化合物（蛋白质、盐类、脂质）的生物液体中检测到极低量的物质（超微量）。色谱法和质谱法是一些用于检测禁用物质的方法，这些方法非常灵敏且可重复。然而，它们需要大量的时间、试剂和样本，这限制了快速处理大量样本的能力。因此，人们对快速、灵敏、环保且符合科学标准的创新微量分析方法的需求日益增加，以检测运动员生物流体中的禁用物质[1]。

表面增强拉曼光谱（SERS）是一种创新的科学方法，因其能够提供异常灵敏和分子级确定的数据而解决了这些问题。通过利用局域表面等离子体共振（LSPR）技术与纳米结构金属材料相结合，SERS显著提升了拉曼信号放大的理论极限，从而能够检测到浓度极低（< 1000 PG/ML）甚至更低浓度的目标化合物。这使得研究人员能够在几乎不需要任何预处理的情况下分析复杂的生物流体（如唾液、汗液或尿液），并大幅减少分析所需的样本量和分析时间。拉曼光谱固有的直接分子指纹识别能力还增强了SERS分析的选择性，有助于区分结构相似的分子，这对反兴奋剂分析方法至关重要[2]。

尽管SERS有许多优点，但仍有一些因素限制了其在实际生物分析中的应用。这些问题包括光谱变异性、基底的可重复性以及生物基质的背景干扰。由于SERS光谱的复杂性，特别是在异质基质中，准确解释结果并获得可靠结果具有挑战性，因此需要先进的数据驱动方法来帮助研究人员从高维光谱数据中提取有用信息[3]。

人工智能（AI）通过应用智能数据处理、模式识别和预测建模，在分析化学领域取得了巨大成功。当AI与SERS技术结合时，可以利用机器学习和深度学习算法分析复杂的光谱特征，识别光谱信号中的微小差异，并进行准确的分类。AI与SERS技术的结合为研究人员提供了解决噪声、峰重叠和基质干扰等问题的工具，从而提高了SERS测量的灵敏度和选择性。除了为研究人员提供更好的研究工具外，AI还使他们能够进行自动化和实时分析，因此对于现场和即时检测应用（如体育监测）非常有益。

除了分析性能外，可持续性也成为下一代微量化学技术发展的关键方面。绿色分析化学原则提倡使用更少的有害试剂、减少废物生成以及在分析方法生命周期内提高能源效率。SERS与AI的结合支持这些原则，实现了小体积采样、减少对溶剂基方法的依赖以及快速数据采集。此外，SERS平台的微型化使其更加便携，促进了分散式测试，从而无需中央实验室设施，减少了此类设施对环境的影响[4]。

通过将纳米结构传感器材料与先进的光谱技术和智能计算机系统相结合，这种新的微量化学分析方法代表了可持续微量化学分析的新范式。这种组合在反兴奋剂应用中实现了快速、精确、可靠的禁用物质检测，同时考虑了速度、成本效益和环境后果等实际因素。此外，AI模型的适应性使得能够持续访问更大的数据集，最终提高了这些模型的长期稳健性。

本文提出的研究提出了一种基于AI的SERS分析框架，用于可持续检测运动员生物流体中的微量兴奋剂。通过集成工程化等离子体基底和先进算法，我们利用先进材料、微分析光谱和智能分析技术，创建了越来越灵敏、选择性和可持续的下一代分析平台[5]。

章节摘录

文献综述

最近的研究主要集中在追踪检测复杂生物物质的新方法上。这些研究在生物医学诊断、环境监测和反兴奋剂分析领域进行。其中，表面增强拉曼光谱（SERS）因其极高的灵敏度以及识别特定分子和处理多种类型样本的能力而成为一种重要且革命性的工具。

研究设计和分析策略

我们开发了一种基于AI的SERS平台，用于检测运动员生物流体中的兴奋剂，该平台具有极高的检测灵敏度，且不使用有害化学物质或产生废物[16]。所提出的方法结合了纳米结构等离子体传感材料、微分析光谱方法和基于AI的数据分析，以解决检测构成运动员生物流体的复杂生物基质中微量兴奋剂的相关问题。

光谱特性和SERS增强性能

使用SERS活性基底显著放大了拉曼信号，增加了从汗液、唾液和尿液样本中检测到的每种兴奋剂的信号数量。每种兴奋剂都可以通过与其相关振动模式相对应的独特峰来识别，这些峰的频率范围为400至1800 cm^?1。

基底产生的SERS信号具有更大的放大效果

结论

在这项研究中，我们建立了一个使用人工智能（AI）和表面增强拉曼光谱（SERS）确定运动员生物流体中兴奋剂存在的框架。通过结合纳米结构等离子体基底和先进的机器学习算法，我们的系统解决了与灵敏度、选择性和在复杂生物基质中快速检测兴奋剂相关的主要问题。

SERS平台已被证明能够

CRediT作者贡献声明

郭子健：撰写 – 审稿与编辑、监督、方法论、形式分析、概念化。乔泽波：撰写 – 审稿与编辑、初稿撰写、可视化、监督、项目管理、方法论、数据管理、概念化。陈宇：撰写 – 审稿与编辑、监督、方法论、资金获取。

资金

本文描述的研究未获得任何公共、商业或非营利组织的资助。

利益冲突声明

作者声明他们没有已知的可能会影响本文工作的竞争性财务利益或个人关系。