《Food Research International》：Artificial neural network data fusion-mediated dual-mode sensor based on Fe3O4@PdIr for Salmonella Typhimurium detection in food
编辑推荐：
Mengxia Duan|Wenxiu Zheng|Zepeng Gu|Man Ding|Shiping Luo|Zhouping Wang|Shijia Wu|Yukun Huang|Nuo Duan•构建了用于检测鼠伤寒沙门氏菌的比色/电化学传感器。•利用特异性适配体捕获鼠伤
Mengxia Duan|Wenxiu Zheng|Zepeng Gu|Man Ding|Shiping Luo|Zhouping Wang|Shijia Wu|Yukun Huang|Nuo Duan
- •
构建了用于检测鼠伤寒沙门氏菌的比色/电化学传感器。
- •
利用特异性适配体捕获鼠伤寒沙门氏菌，提升了检测精度。
- •
Fe3O4@PdIr材料具有更强的类过氧化物酶活性和电化学性能。
- •
人工神经网络模型实现了双信号融合，输出单一检测结果。
- •
在人工神经网络数据融合的辅助下，该传感器的最低检测浓度仅为1.66?CFU/mL。
引言
鼠伤寒沙门氏菌是一种常见的食源性病原体，全球约三分之一的食源性疾病病例由它引起（Bagheryan等人，2016；Lin等人，2019）。它能通过污染肉类、鸡蛋、农产品及乳制品等各种食品进入食物链，引发急性胃肠炎、败血症，甚至致命感染，对公众健康构成严重威胁（Duan等人，2016；Wei等人，2025）。目前检测鼠伤寒沙门氏菌的方法主要有微生物培养（Gong等人，2024）、酶联免疫吸附试验（ELISA）（Flint & Hartley，1993）以及聚合酶链反应（PCR）（Kim等人，2023）。但这些方法存在检测时间长、成本高、灵敏度低等缺点（Feng等人，2025；Ye等人，2025）。因此，亟需开发一种快速、可靠且灵敏度高的检测方法，以便及早监测鼠伤寒沙门氏菌的存在。
生物传感器相比传统分析方法具有操作简便、成本低廉、响应迅速等优点（Hong等人，2025；Kong等人，2023）。其中，纳米生物传感器因能借助纳米材料的信号增强效应而成为研究热点（Hossain等人，2021；Mahmud等人，2022）。然而，单组分纳米材料通常只能产生一种信号输出（如荧光、比色、电化学或表面等离子体共振信号）。由这类材料构成的单模式传感器容易受到环境干扰，从而导致假阳性或假阴性结果（Liang等人，2021；Lv等人，2025；Wei等人，2024；Yu等人，2023）。为克服这一局限，人们开始采用基于多功能纳米材料的检测策略，通过整合多种功能结构单元实现多信号同步输出，进而构建出双模式/多模式传感器（Shao等人，2024；Yá?ez-Sede?o等人，2020）。与单组分材料相比，这类复合材料能够同时具备信号放大、生物分子固定化及催化活性等多种功能，显著提升传感性能（Shao等人，2024）。例如，Wang等人（2021）将铂纳米颗粒负载到Cu2O表面，构建了一种用于检测癌胚抗原的新型过氧化物酶信号标签。一方面，这种纳米复合材料可作为信号探针，通过协同作用催化H2O2分解，从而产生电流响应；另一方面，它也可作为优良的过氧化物酶材料，催化TMB的比色反应。Zhou等人（2020）则制备了CuCo-CeO2纳米球作为检测miRNA-155的信号放大剂。CuCo-CeO2不仅能固定生物分子以参与痕量目标物的信号放大过程，还能结合纸质电极及类酶活性，实现电化学/比色双信号输出。虽然多功能纳米材料是构建生物传感器的基础，但引入具有特定识别能力的生物识别元件才是提升检测精度的关键。在此背景下，将具有特异性识别功能的适配体引入传感器中，能够进一步提升分析结果的可靠性（Duan等人，2024；Ouyang等人，2021；Wu等人，2017）。
传统的双模式或多模式传感检测通常会为每个信号通道建立独立的校准曲线，再将实际样品测得的信号值代入相应校准曲线来计算分析物浓度。之后通常会对不同检测模式得到的浓度结果进行t检验或方差分析，以判断各结果之间是否存在显著差异（Dong等人，2025；Xu等人，2025）。尽管这些统计方法能够确认不同检测模式之间的整体一致性，但本质上它们是独立处理各模式的数据，没有全面考虑信号之间的相关性或复杂的非线性关系。因此，在降低检测误差和抵御外部干扰方面存在局限性（Kim等人，2024；Zhang等人，2025）。机器学习，尤其是人工神经网络，则提供了一种有效的替代方案。人工神经网络是一种受生物神经系统启发的计算模型，它模仿人类大脑中神经元处理信息的方式，从而学习并预测复杂的非线性关系（Maier等人，2023）。该模型通常由输入层、一个或多个隐藏层以及输出层组成，各层中的神经元通过可调节的连接权重相互关联。人工神经网络通常采用反向传播算法，最小化预测值与真实值之间的误差，并优化网络连接权重，从而显著提升模型的预测精度和稳定性（Huang等人，2024）。与传统线性回归模型相比，人工神经网络具有更强的非线性拟合能力和适应性，能够在处理多个信号输出时实现有效的信号融合与相互校准（Zhao等人，2024）。
因此，本研究构建了一种基于人工神经网络的比色/电化学双模式生物传感器，用于检测鼠伤寒沙门氏菌。具体而言，利用PdIr与磁性Fe3O4的协同效应，制备出了具有优异比色和电化学性能的Fe3O4@PdIr纳米复合材料。将该复合材料与能够特异性识别鼠伤寒沙门氏菌的适配体结合，进一步提升了检测精度。通过夹心检测法，该纳米复合材料通过与目标物结合而固定在微孔板或金电极表面，进而产生比色和电化学信号。随后利用人工神经网络模型对双模式检测结果进行融合，大幅降低了均方误差。最终实现了对鼠伤寒沙门氏菌的高灵敏度检测。
章节摘要
试剂与材料
聚乙烯亚胺（PEI）、六水合三氯化铁（FeCl3·6H2O）、无水醋酸钠（CH3COONa）、无水柠檬酸钠（C6H5O7Na3）、乙二醇（C2H6O2）、硼氢化钠（NaBH4）、3,3′,5,5′-四甲基联苯胺（TMB）、30%过氧化氢（H2O2）、乙二胺四乙酸（EDTA）、组氨酸（His）、对苯二醌（PBQ）、抗坏血酸（AA）以及硫酸（H2SO4）均购自中国上海的中国医药化学试剂有限公司。牛血清白蛋白（BSA）则购自Sigma Aldrich Trading Co., Ltd.
基于人工神经网络的双模式传感器检测鼠伤寒沙门氏菌的原理
本研究构建的基于人工神经网络的双模式传感器检测鼠伤寒沙门氏菌的原理如图1所示。首先制备出具有双功能性质的Fe3O4@PdIr复合纳米颗粒。通过用PEI修饰Fe3O4，得到带正电荷的Fe3O4/PEI。随后，通过静电吸附作用将带负电荷的PdIr负载到Fe3O4表面，从而得到Fe3O4@PdIr。接着通过化学键合方式将SH-Apt固定在Fe3O4@PdIr表面，最终得到相应的传感器结构。
结论
本研究构建了一种基于人工神经网络的双模式生物传感器，用于精准检测鼠伤寒沙门氏菌。该传感器以Fe3O4@PdIr与适配体结合的形式作为核心组件，能够同时产生比色信号和电化学信号。该传感器具有以下优势：1）采用适配体作为识别分子，可特异性捕获鼠伤寒沙门氏菌，从而提升检测精度；2）Fe3O4@PdIr复合纳米材料展现出优异的性能
CRediT作者贡献说明
Mengxia Duan：论文撰写——初稿撰写、软件应用、方法设计、实验研究、正式分析、数据整理、概念构思。Wenxiu Zheng：可视化处理、软件应用、方法设计、数据整理。Zepeng Gu：软件应用、数据整理。Man Ding：实验研究、正式分析。Shiping Luo：实验研究。Zhouping Wang：结果验证。Shijia Wu：论文撰写——审阅与编辑、结果验证。Yukun Huang：项目监督、项目管理、概念构思。Nuo Duan：论文撰写——审阅与编辑、项目监督，
利益冲突声明
作者声明不存在任何可能影响本文研究结果的已知财务利益或个人关系。
致谢
本研究部分得到了中国国家重点研发计划（2025YFD2100500）、国家自然科学基金（32272449）、江苏省基础研究计划（BK20240100）、四川省食品微生物学重点实验室开放课题（FM2025-26）以及江苏省食品安全质量控制协同创新中心的支持。
