机器学习辅助的智能手机荧光传感技术，用于超灵敏的酸磷酸酶即时检测

《Analytica Chimica Acta》：Machine Learning-Assisted Smartphone Fluorescence Sensing for Ultrasensitive and Point-of-Care Testing of Acid Phosphatase

　　**作者列表：**
Fusheng Zhong | Jiaming Zhang | Huaxi Ruan | Tonglong Yang | Jinbo Cao | Liangliang Peng | Jinhui Liu | Qingqing Deng | Li Wang

**所属单位：**
广东省华南师范大学化学学院生物医学分析化学重点实验室，GDMPA手性药物过程控制与质量评价重点实验室，广州，510006，中国广东省

**摘要：**
**背景：**
基于荧光的方法在临床诊断中至关重要，因为它们具有高灵敏度和可视化能力。传统的单发射传感器在复杂的生物环境中常常存在背景干扰和视觉识别度低的问题。尽管多色荧光可视化传感器可以扩大颜色范围以提高分辨率，但仍然受到主观人类颜色判断和个体差异的限制。

**结果：**
我们开发了一种三色荧光传感平台，结合了智能手机机器学习技术，实现了便携且超灵敏的酸性磷酸酶（ACP）检测。该传感系统由二氧化锰纳米片（MnO2 NS）、邻苯二胺（OPD）和红色碳点（R-CDs）组成。ACP触发一系列反应生成抗坏血酸（AA），从而还原MnO2 NS，产生双重信号响应；同时R-CDs恢复红色荧光，使溶液的颜色从黄色变为橙色再变为紫色。通过使用智能手机捕捉溶液图像并利用机器学习（ML）模型解析复杂的颜色特征，我们实现了0.5–7.5 mU/mL范围内ACP的准确定量。该平台具有优异的选择性和稳定性，在复杂的人血清样本中表现出出色的抗基质干扰能力。

**意义：**
本研究不仅提供了一种新型可靠的ACP活性分析方法，还建立了一种通用的生物标志物传感器。该平台扩展了智能即时检测（POCT）系统，有助于其他临床相关生物标志物的开发，促进POCT诊断和实时生化监测的实际应用。

**引言：**
开发操作简便、高灵敏度且适合现场快速检测的新方法对于促进疾病早期诊断和生化过程研究具有重要意义。荧光分析法因其简单性、高灵敏度和良好的可视化能力而具有广泛的应用前景。近年来，碳点由于其优异的生物相容性、高量子产率和可调的荧光特性，在高性能生物传感和多模态检测领域展现出重要应用价值。然而，传统的单发射荧光传感器容易受到各种非分析因素的干扰，如背景信号、荧光材料浓度、仪器波动和操作条件变化等。此外，单发射峰的荧光强度变化通常难以用肉眼准确识别。相比之下，多色荧光可视化传感器通过可见的颜色变化实现目标物质的半定量甚至定量分析，因此受到了广泛关注。智能手机的高性能摄像头和计算能力可作为便携式的信号读取和处理单元，辅助荧光分析以实现生物标志物的快速检测。人工智能（AI）的快速发展显著提升了基于智能手机的检测能力，AI系统能够处理大量实验数据并自主完成相关检测任务。机器学习（ML）作为人工智能的关键分支，在药物筛选、材料合成、疾病早期诊断和化学传感等领域发挥着越来越重要的作用。通过整合ML算法，可以精确分析和量化复杂的颜色信息，推动智能、高精度现场检测平台的发展。尽管多色荧光传感、智能手机平台和机器学习的结合具有巨大潜力，但该领域仍处于起步阶段，这为新一代智能传感策略的发展提供了重要机遇。

**研究内容：**
本研究开发了一种结合机器学习算法和智能手机平台的三色荧光传感系统。鉴于酸性磷酸酶（ACP）是前列腺癌和骨肿瘤等多种疾病临床诊断的关键生物标志物，我们选择它作为模型分析物。该传感系统由二氧化锰纳米片（MnO2 NS）、邻苯二胺（OPD）和红色碳点（R-CDs）组成。ACP可催化L-抗坏血酸-2-磷酸三钠（AAP）的水解生成抗坏血酸（AA），从而还原MnO2 NS并削弱其氧化能力，恢复R-CDs的荧光，并促进未氧化的OPD缩合为3-(1,2-二羟基乙基)furo[3,4-b]喹诺啉-1(3H)-酮（蓝色荧光产物DFQ）。通过智能手机捕捉溶液图像并利用机器学习模型解析颜色变化，实现了0.5–7.5 mU/mL范围内ACP的准确定量。该平台在复杂样本中表现出出色的抗基质干扰能力。

**结论：**
本研究不仅提供了一种新型可靠的ACP活性分析方法，还建立了一种通用的生物标志物传感器，为其他临床相关生物标志物的智能传感和现场快速检测提供了参考。

**数据可用性：**
数据可应要求提供。

**利益冲突声明：**
作者声明没有已知的可能影响本文工作的财务利益或个人关系。

**致谢：**
本研究得到了广东省自然科学基金（2025A1515011890）、华南师范大学基本研究经费（8A1384）以及广东省二氧化碳资源利用重点实验室（2024B1212010011）的支持。