基于机器学习的高维光学传感技术，利用Au@Ag纳米棒检测唾液中的硫氰酸根与次硫氰酸根

《Microchemical Journal》：Machine learning-powered high-dimensional optical sensing using Au@Ag nanorods for salivary thiocyanate and hypothiocyanite

　　•现已开发出一种用于检测次氰酸根和硫氰酸根的快速比色传感器。•分析物浓度变化会引发独特的AuNRs@Ag结构变化，从而可用于分析物测定。•PLS-R、HCA和LDA方法有助于实现分析物的精准定量与区分。•这两种分析物在人类唾液样本中均被成功识别并定量。

引言
硫氰酸根（SCN?）和次氰酸根（OSCN?）是人类先天免疫系统的重要组成部分，在唾液及其他黏膜分泌物的抗菌防御中起着不可或缺的作用[1]。唾液中天然存在的SCN?会在乳过氧化物酶（LPO）/过氧化氢（H?O?）系统的催化下被氧化为OSCN?，后者是一种高活性的氧化剂，具有广谱抗菌作用[2]、[3]。这一酶促途径是口腔主要的非特异性防御机制之一，它能够抑制细菌、真菌和病毒的生长，同时对宿主组织造成的损伤较小。因此，维持SCN?与OSCN?之间的生理平衡对于保持口腔稳态及抵御微生物感染至关重要。SCN?作为该系统的生理前体，而OSCN?则是乳过氧化物酶系统的主要抗菌效应物质，二者都是口腔先天免疫防御系统中不可或缺的成分[4]、[5]。

SCN?与OSCN?之间的转化受乳过氧化物酶系统活性以及pH值、过氧化氢浓度和氧化还原条件等环境因素的强烈影响[6]。在生理条件下，OSCN?与SCN?处于动态平衡状态，不断参与抗菌反应，之后又会重新转化为SCN?[7]。因此，这两种物质浓度的变化能够为了解乳过氧化物酶的活性、氧化应激状况以及先天免疫反应的状态提供重要信息[8]。越来越多的证据表明，SCN?与OSCN?水平异常与口腔防御功能减弱、牙周疾病、炎症性疾病、呼吸道感染以及通过唾液成分反映出的多种系统性疾病有关[9]、[10]。此外，由于OSCN?对包括耐抗生素细菌和包膜病毒在内的多种病原微生物具有强大的抗菌活性，它已成为评估口腔和黏膜健康的重要生物标志物[11]。尽管OSCN?具有重要的生物学意义，但由于其化学活性高、寿命短，且易受pH值和温度变化的影响，导致在样品处理和分析过程中容易迅速分解，因而难以对其进行定量。

在过去十年中，人们为开发用于检测SCN?和OSCN?的分析方法付出了大量努力，这些方法有助于更好地理解它们的生理功能，并为口腔疾病和系统性疾病的治疗提供依据[3]、[12]。目前已有多种分析方法被用于检测SCN?和OSCN?，包括色谱法[13]、电化学传感器[14]、质谱法[15]、生物传感器[16]、[17]、表面增强拉曼散射技术[18]以及基于荧光的技术[19]，这些方法都展现出了良好的分析性能。然而，大多数这类方法需要复杂的仪器设备、繁琐的样品前处理流程、经验丰富的操作人员，以及相对较长的分析时间，这限制了它们在快速现场检测中的应用。此外，许多现有方法仅能检测单一分析物，而由于SCN?与OSCN?结构相似、相互转化迅速且化学行为相近，要实现对二者的同时区分与定量仍然具有很大难度。因此，传统的分析平台往往无法提供关于SCN?/OSCN?动态平衡的全面信息，而这些信息对于评估乳过氧化物酶的活性以及唾液的整体抗菌能力至关重要。所以，迫切需要一种能够在复杂生物样本中以高灵敏度、高选择性、简单便捷且快速响应的方式同时识别和定量这两种物质的分析平台[20]。

近年来，分析化学领域的进展越来越注重开发便携式和多参数传感平台，这类平台能够从单个传感元件中提取多种分析特征。这种高维传感策略打破了传统的“一个传感器对应一种分析物”的模式，通过生成多维响应模式，再利用化学计量学和机器学习算法对这些模式进行解读[21]、[22]。与传统单变量分析方法相比，机器学习能够从复杂的数据集中提取有价值的信息，有效处理非线性关系、信号重叠、基质干扰以及实验噪声等问题。这些优势使得机器学习在化学传感中的分析物分类、模式识别以及定量预测方面展现出巨大潜力[23]、[24]、[25]、[26]。最新研究证明，机器学习已被成功用于优化传感材料、实验参数以及信号解读方式，从而显著提升了电化学、光学以及基于纳米材料的传感平台的分析灵敏度、选择性和预测精度[27]、[28]、[29]。

这些研究共同表明，将机器学习与基于纳米材料的分析平台相结合，是一种提升传感器可靠性、加速材料优化速度，并从复杂的多维数据集中提取有用信息的有效策略。尽管机器学习已逐渐被引入各类分析传感平台，但其应用主要集中于优化材料组成、实验条件或改进针对特定分析物的预测模型[29]、[30]、[31]。而利用单一多色等离子体传感平台同时区分和定量化学性质相近的分析物，则尚未得到足够重视。比色传感器因其结构简单、便于携带、成本低廉以及可直接进行视觉读取而备受青睐。当与机器学习结合后，比色传感便从简单的颜色观察发展为一种强大的高维分析平台，它能够识别复杂的响应模式，实现多种分析物的同时识别与定量。将机器学习与比色传感相结合，不仅提升了传统比色测定的能力，使其从简单的视觉检测转变为智能的模式识别与定量分析，还使其成为开发适用于快速、无创及现场检测的智能分析平台的理想光学转换器[32]、[33]。比色传感的吸引力还在于其操作简单、响应迅速、成本较低，且无需复杂仪器即可实现直接视觉检测。这类传感器通过传感探针与目标分析物之间的特定相互作用产生可见颜色变化，既可通过肉眼进行定性观察，也能通过数字图像或光谱分析获得定量信息。不过，其分析性能在很大程度上取决于产色纳米材料的性质，因为这些材料的特性决定了传感过程的灵敏度、选择性和稳定性[34]、[35]。在各种纳米材料中，等离子体贵金属纳米粒子因具有出色的化学稳定性、可调控的局域表面等离子体共振特性以及强烈的光学响应而被广泛研究[36]、[37]、[38]。尤其是金核壳纳米粒子，由于其各向异性的结构，能够产生横向和纵向的等离子体共振模式，且对这些模式的响应对粒子几何形状及周围介质环境的变化极为敏感[39]、[40]、[41]。即使金核壳纳米粒子的长宽比或壳层组成发生微小变化，也会导致局域表面等离子体共振峰位发生明显偏移，同时在可见光范围内出现明显的颜色变化，这使得金核壳纳米粒子成为比色传感应用中极为理想的光学转换器[42]。这些独特的光学特性使得金核壳纳米粒子能够作为构建高维传感平台的通用组件，通过单个传感元件生成丰富多维的光学信息[43]、[44]、[45]。在调控金核壳纳米粒子光学特性的各种方法中，银金属化被认为尤为有效，因为通过精确控制银在金核壳纳米粒子表面的沉积，可以准确调节所得金核壳纳米粒子@银复合结构的壳层厚度和长宽比。因此，银沉积量的微小变化就会导致明显的光谱偏移和鲜明的颜色变化，这些变化可以通过肉眼轻松辨别。更重要的是，当银的沉积受到特定分析物的化学相互作用影响时，每种分析物都会产生独特的光学响应模式，而非简单的强度变化，这大大提升了传感的选择性和多重检测能力[46]、[47]。

尽管在等离子体传感和机器学习辅助分析系统方面已经取得了诸多进展，但针对唾液中SCN?与OSCN?的同时区分与定量研究仍十分有限。目前大多数已报道的分析方法都仅能检测单一分析物，因此无法提供关于SCN?/OSCN?动态平衡的全面信息，而这种平衡状况恰恰反映了乳过氧化物酶的活性以及先天免疫功能。此外，这两种物质化学性质极为相似，OSCN?本身稳定性较差，唾液中的基质干扰以及分析响应的重叠，都严重限制了传统传感方法的选择性和可靠性。虽然机器学习最近已被引入各类传感平台，用以改善数据解读和分析性能[42]、[46]、[48]、[49]、[50]，但它在用于多色等离子体传感以实现SCN?与OSCN?的同时分析方面尚未得到应用。因此，开发一种能够生成多维光学指纹并通过机器学习进行准确解读的传感平台，对于实现快速、多重且无创的唾液检测而言具有重要意义。正是出于这些考虑，本研究提出了一种基于机器学习的高维多色传感平台，用于同时区分和定量人类唾液中的SCN?与OSCN?。该传感策略的核心原理是，分析物会抑制抗坏血酸介导的银在金纳米棒表面的沉积过程，从而形成具有不同等离子体响应特性的AuNRs@Ag纳米结构。由于SCN?与OSCN?与Ag+离子的相互作用机制不同，它们对银壳生长的抑制程度也有所差异，进而产生各自独特的光学指纹，这些指纹既可用于定性区分，也可用于定量分析。与传统依赖单一分析信号的比色测定方法不同，所提出的平台能够从单个传感元件中获取多维光学信息，从而显著提升多重检测能力和分析性能。

为了充分利用这些多维响应特性，本研究将机器学习算法整合到了传感工作流程中。层次聚类分析（HCA）和线性判别分析（LDA）被用来可视化数据聚类行为，从而准确地对SCN?、OSCN?及其混合样本进行分类；而偏最小二乘回归（PLSR）则被用于建立可靠的定量预测模型。将等离子体多色传感与机器学习相结合，有助于更可靠地解读复杂的光学数据集，同时减少信号重叠和实验变异带来的影响。最后，通过分析人类唾液样本，验证了所提出传感平台的实际应用可行性，结果表明该平台是一种快速、无创且可靠的唾液生物标志物多重检测方法，具有用于未来现场检测的巨大潜力[51]、[52]、[53]、[54]、[55]。

章节摘录
化学品与材料
所有分析级试剂，包括三水合四氯金酸（III）（HAuCl?·3H?O，纯度99.5%）、硼氢化钠（NaBH?）、硝酸银（AgNO?）、抗坏血酸（AA）、十六烷基三甲基溴化铵（CTAB）、氢氧化钠（NaOH）、MES缓冲液、硫氰酸根（SCN?）和次氰酸根（OSCN?），均购自Sigma-Aldrich公司。在所有实验中，溶液均使用电阻率为18.2 MΩ·cm的超纯去离子水配制。

仪器
紫外-可见吸收光谱测量是在……上进行的。

SCN?与OSCN?检测的多色传感策略
如前所述，本研究旨在开发一种集成机器学习算法的高维多色传感平台，用于选择性识别和定量SCN?与OSCN?。该策略的原理在于这两种物质能够调控银在金核壳纳米粒子表面的过度生长。在缺乏SCN?和OSCN?的情况下，Ag+离子会被抗坏血酸迅速还原，从而导致银在金核壳纳米粒子表面有序沉积，形成AuNRs@Ag结构。

结论
综上所述，我们基于金核壳纳米粒子表面可控的银纳米壳沉积现象，开发了一种快速、灵敏且基于机器学习的高维多色传感平台。这一现象会带来类似彩虹的色彩变化和明显的光谱偏移。SCN?、OSCN?以及二者等摩尔比例的混合溶液会以不同的程度抑制银壳的生长，从而为每种分析物产生独特且对比度高的光学特征。

CRediT作者贡献声明
Zeinab Feyzollahi：撰写——初稿、可视化、软件应用、方法设计、实验实施、数据整理、概念构思。
Afsaneh Orouji：撰写——审阅与编辑、项目监督、项目管理、概念构思。
Mohammad Reza Hormozi-Nezhad：撰写——审阅与编辑、资源提供、项目管理、资金获取。

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
衷心感谢Sharif理工大学的财政支持。

Zeinab Feyzollahi | Afsaneh Orouji | Mohammad Reza Hormozi-Nezhad