基于水杨醛官能化的金纳米簇的比率荧光传感器阵列，用于金属离子检测

《Spectrochimica Acta Part A: Molecular and Biomolecular Spectroscopy》：Salicylaldehyde-functionalized gold-nanocluster-based Ratiometric fluorescent sensor Array for metal-ion detection

　　

向阳|邓伦华

华东师范大学精密光谱国家重点实验室，中国上海东川路500号，200241

摘要

在水环境中，重金属离子通常以多离子混合物的形式共存，这使得基于特定“锁钥”识别的传统荧光探针难以对其进行多重区分。本文报道了一种由水杨醛（SA）功能化的、蛋白质稳定的金纳米簇（AuNCs）构建的双通道比率荧光传感器阵列，用于区分十种金属离子（Zn²⁺、Hg²⁺、Co²⁺、Pb²⁺、Ag²⁺、Cu²⁺、Fe²⁺、Fe³⁺、Ni²⁺和Mn²⁺）。这两种纳米簇探针对不同金属离子产生了不同的比率荧光响应模式，为模式识别提供了有用的特征信息。结合主成分分析（PCA）和线性判别分析（LDA），该传感器阵列能够在低至0.5 μM的浓度下可靠地分类这十种金属离子，并能够区分多组分重金属混合物。更重要的是，ExtraTrees模型进一步提高了浓度独立的分类能力，并实现了令人满意的定量预测。该阵列还适用于实际水样中金属离子的区分，凸显了其在复杂水环境中监测多种重金属离子的潜力。

引言

重金属离子是持续存在的环境污染物，引起了极大的关注。它们可以通过工业废水、采矿活动、农业径流和管道腐蚀释放到水系统中，对生态系统和人类健康构成严重威胁。在真实的环境系统中，多种金属离子常常共存，并可能通过食物链积累，导致长期暴露和慢性毒性[1]、[2]、[3]、[4]。目前，X射线荧光（XRF）、电化学分析、原子吸收光谱（AAS）和电感耦合等离子体质谱（ICP-MS）等分析方法因其高准确性和选择性而被广泛用于重金属测定[5]、[6]、[7]、[8]、[9]、[10]。然而，这些方法通常需要昂贵的仪器、复杂的操作和受过培训的人员，这限制了它们在快速便捷的现场分析中的应用。因此，传感器作为一种具有高灵敏度、简单操作和快速响应的替代方案应运而生。然而，大多数传统传感器依赖于“锁钥”特异性识别，通常设计用于单一目标检测[11]、[12]、[13]、[14]、[15]、[16]。因此，开发同时识别和检测多种重金属离子的传感策略仍然非常重要。

传感器阵列，也被称为“化学鼻子”或“化学舌头”，为复杂分析物的分析提供了一种有吸引力的策略。通过集成多个交叉反应的传感元件，这些阵列将分析物依赖的相互作用转化为可解码的特征响应模式，从而实现分析物识别[17]、[18]。特别是，荧光传感器阵列在环境监测、食品安全、生物医学诊断和质量控制方面显示出巨大的潜力。这是因为它们结合了基于阵列的传感模式识别能力与荧光读出的高灵敏度和操作简便性[19]、[20]、[21]。尽管有这些优势，大多数报道的荧光传感器阵列仍依赖于绝对荧光强度变化作为分析输出[22]、[23]。这种信号输出容易受到探针浓度、激发波动、光程长度和仪器条件的影响，从而影响分析的可靠性和重复性。相比之下，比率荧光传感器阵列使用两个独立发射信号的比值作为分析输出，这提供了内在的自校准效果，提高了分析的稳健性、准确性和灵敏度。包括基于纳米纸的碳点系统和三发射石墨烯量子点平台在内的代表性例子，已经证明了比率或多通道荧光模式识别在金属离子区分中的可行性[24]、[25]。然而，在保持结构和操作简便性的同时实现强大的区分性能仍然具有挑战性。在许多情况下，通过增加传感元件或发射通道的数量来实现更广泛的分析物覆盖范围，但这不可避免地使材料制备、信号采集和数据处理变得复杂。因此，开发一个能够从有限输出通道生成可重复交叉反应模式的简化比率平台仍然非常值得追求。

金属纳米簇因其良好的光稳定性、可调发光性和良好的生物相容性而成为荧光传感的有希望的构建块[16]、[26]、[27]、[28]、[29]。蛋白质稳定的金属纳米簇特别适合用于传感器阵列的构建，因为它们可以在温和条件下在水介质中合成，并提供丰富的表面官能团用于分子调控和信号整合[30]。水杨醛含有一个反应性的醛基和一个相邻的羟基，使其非常适合用于基于纳米簇的探针中的配位和微环境调节。在这种情况下，将水杨醛与蛋白质封装的金纳米簇耦合可以产生双发射特性，从而实现结构简单的比率荧光传感平台[31]、[32]、[33]、[34]、[35]、[36]。这样的设计使得阵列构建变得紧凑，但可靠的区分和定量仍然需要有效解码所得到的响应模式。在这种情况下，先进的数据分析方法对于从有限的传感输出中提取有用的特征非常有价值。

传统的化学计量方法，如主成分分析（PCA）、线性判别分析（LDA）和层次聚类分析（HCA），已被广泛用于传感器阵列中的模式识别。然而，当传感响应微妙、高度重叠或非线性分布时，这些方法的性能可能有限。在这种情况下，机器学习提供了一种有吸引力的策略，因为它可以揭示潜在特征、捕捉复杂的响应关系，并提高分类的稳健性和定量性能[37]、[38]、[39]、[40]、[41]。最近的研究强调了这些优势。例如，Li等人将PCA与决策树模型结合，用于分析单元素比率荧光阵列的多维输出，不仅能够区分相似的喹诺酮类抗生素，还能预测它们的浓度和混合比例[42]。同样，Liu等人将支持向量机（SVM）分析引入比率荧光传感器阵列中，用于赭曲毒素的检测，实现了50个未知样本的98%分类准确率[43]。这些研究表明，机器学习是增强简化荧光传感平台分析能力的有效工具。

本文报道了一种基于水杨醛功能化的蛋白质稳定金纳米簇的比率荧光传感器阵列的构建，该阵列与机器学习算法集成，用于同时区分和定量多种金属离子。使用两种交叉反应的传感单元，即SA_BSA-AuNCs和SA_OVA-AuNCs，该阵列对十种金属离子产生了特征性的双通道比率响应模式。首先使用PCA和LDA评估了阵列的区分能力，然后应用了多种机器学习模型来提高不同浓度水平下的分类能力并实现定量预测。所提出的平台在0.5–25 μM的浓度范围内可靠地区分了十种金属离子，并进一步证明了其在多组分混合物和添加了基质的实际水样中的适用性。在测试的模型中，ExtraTrees提供了最佳的整体分析性能。总体而言，这项工作提出了一种紧凑的比率传感策略，结合了双发射金纳米簇和机器学习辅助分析，用于复杂水环境中多种金属离子的多重区分和定量。

章节片段

试剂和仪器

HAuCl₄·3H₂O、牛血清白蛋白（BSA）和NiCl₂·6H₂O购自Titan Scientific Co., Ltd.（中国上海）。卵白蛋白（OVA）来自上海宇源生物科技有限公司（中国上海）。CoSO₄·7H₂O、AgNO₃、FeSO₄·7H₂O、FeCl₃·6H₂O、CaCl₂、NaCl、KCl、Na₂CO₃、Na₂HPO₄·2H₂O、Na₂SO₄和EDTA·4H₂O由Sinopharm Chemical Reagent Co., Ltd.（中国上海）提供。Hg(NO₃)₂购自Strem Chemicals, Inc.（美国）。PbCl₂、CuCl₂、MnCl₂·4H₂O、尿素（CH₄N₂O）等试剂也由该公司提供。

SA_AuNCs的特性

通过UV–Vis吸收光谱、激发和发射光谱以及FTIR对纳米簇的光学和化学特性进行了表征。如图1A所示，BSA-AuNCs溶液在环境光下呈淡黄色，在紫外光照射下发出明亮的红色荧光。BSA-AuNCs在275 nm处显示吸收峰，在大约365 nm和490 nm处显示激发峰，在365 nm激发下在650 nm处显示主导的发射峰。OVA-AuNCs也表现出类似的特性。

结论

总之，成功构建了一种基于水杨醛功能化的金纳米簇的双通道比率荧光传感器阵列，用于十种金属离子的区分和定量。得益于SA_BSA-AuNCs和SA_OVA-AuNCs的差异比率响应，所提出的平台生成了可以通过化学计量和机器学习方法有效解码的特征指纹。该传感器阵列能够可靠地区分十种金属离子。

手稿准备过程中生成式AI和AI辅助技术的声明

在准备这项工作时，作者使用了Chatgpt5.4来提高语言表达和可读性。使用该工具后，作者根据需要审查和编辑了内容，并对发表文章的内容负全责。

利益冲突声明

作者声明他们没有已知的可能会影响本文报告工作的竞争性财务利益或个人关系。