利用铈纳米酶阵列与机器学习实现拟除虫菊酯类型及品种的层次化鉴别

《Biosensors and Bioelectronics》:Hierarchical Discrimination of Pyrethroid Types and Varieties Using a Ceria Nanozyme Array with Machine Learning

【字体: 大 中 小 】 时间:2026年07月22日 来源:Biosensors and Bioelectronics 11.8

编辑推荐:

  摘要拟除虫菊酯类农药的毒性及环境影响与其化学结构密切相关,尤其是氰基的有无(I型/II型)对其影响极大。目前的快速检测方法无法实现对拟除虫菊酯从大类区分到单一化合物识别的分层鉴定。在本研究中,通过筛选不同配体类型的纳米酶,选出了四种带有芳香族羧酸配体的铈基纳米酶,这类纳米酶对拟除

  

摘要

拟除虫菊酯类农药的毒性及环境影响与其化学结构密切相关,尤其是氰基的有无(I型/II型)对其影响极大。目前的快速检测方法无法实现对拟除虫菊酯从大类区分到单一化合物识别的分层鉴定。在本研究中,通过筛选不同配体类型的纳米酶,选出了四种带有芳香族羧酸配体的铈基纳米酶,这类纳米酶对拟除虫菊酯有显著响应,进而基于它们对不同拟除虫菊酯的差异响应构建了四通道比色阵列。随后引入多输出随机森林模型,实现了从I型/II型(氰基有无)到八种特定品种的分层识别。无论拟除虫菊酯浓度如何,该系统在类别级和品种级的识别中均表现出优异效果。在完成类别识别后,还可利用多输出随机森林模型准确预测拟除虫菊酯的浓度。在菠菜、土壤、湖水和棉壳的加标测试中,该阵列能够正确实现从大类到单个化合物的分层识别,且不存在跨类别误判或品种混淆现象。这种基于纳米酶阵列和机器学习的分层农药识别策略为环境和食品样本中拟除虫菊酯的精准风险评估及现场逐步筛查提供了新的方法。

引言

拟除虫菊酯类农药是应用最广泛的杀虫剂之一(Wu等人,2026b)。根据其分子结构中是否有氰基,可将其分为两大亚类:不含氰基的类型(I型拟除虫菊酯)和含氰基的类型(II型拟除虫菊酯)(Yang等人,2018b)。拟除虫菊酯的应用范围极为广泛,从农田(Guan等人,2026)到室内环境(Moiroux等人,2025),从农业害虫防治(Zheng等人,2026)到公共卫生领域(Vajda等人,2024),由此通过食物(Han等人,2026a)、水(Wu等人,2026a)和室内空气(Zhou等人,2020)等多种途径引发了环境(Duan等人,2026b)和安全(Liang等人,2025a;Qi等人,2025;Song等人,2022)方面的问题。因此,检测拟除虫菊酯至关重要。此外,区分I型和II型拟除虫菊酯也同样重要。例如,I型拟除虫菊酯会引发钠通道的暂时性抑制(Richoux等人,2023)(Du等人,2026),而II型拟除虫菊酯则会对神经离子通道造成长期且不可逆的抑制,从而导致生物体出现急性毒性(Egunjobi等人,2024)。像联苯菊酯这样的I型拟除虫菊酯(Yang等人,2018a)会导致非目标生物死亡,在水生环境中具有相对较高的毒性(Du等人,2024;Song等人,2015)。II型拟除虫菊酯也会危害水生生物(Zhan等人,2020),同时还与多种儿童疾病(Viel等人,2015)以及生殖毒性(Green等人,2021)密切相关。I型拟除虫菊酯易发生光解,因此在环境中会迅速降解(Brake等人,2026),这使其成为检测非法使用农药的有效标志物(Xu等人,2018);而II型拟除虫菊酯由于含有氰基,可在环境中长期存在(Zhao等人,2025),从而引发食品污染问题。基于上述差异,不含氰基的I型拟除虫菊酯被归为低风险等级,而含氰基的II型拟除虫菊酯则属于高风险等级。这两类拟除虫菊酯在毒理机制、对哺乳动物的安全性、应用场景以及环境降解路径上的差异,都源于它们不同的分子结构。然而,现有的农药分类体系大多基于化学基团(Zhang等人,2026)或预期用途(Stehle等人,2019),缺乏能够反映这一大类农药内部“结构-风险”关系的标准。因此,建立一套更为精细的识别和分类体系具有实际意义,这套体系应涵盖拟除虫菊酯的两大亚类及其更细分的子类别。
除了传统的色谱法(Silva等人,2026)和质谱法(Zarrouk等人,2024)之外,荧光检测也被用于拟除虫菊酯的分析(Chen等人,2025a;Duan等人,2025;Duan等人,2026a)。虽然这种方法避免了色谱法和质谱法对大型仪器及复杂操作的要求,但它只能识别单一的拟除虫菊酯或某一亚类的拟除虫菊酯,目前尚未建立起针对这一大类农药的分层分类和识别体系。纳米酶是一类稳定性高、成本低且催化性能优异的化学材料(Han等人,2026b;Li等人,2026b;Yuan等人,2024;Zhu等人,2022a)。基于纳米酶的阵列检测技术已在农药检测领域得到广泛应用(Song等人,2023;Tian等人,2024;Zhang等人,2023);这些方法不仅能识别单一农药,还能准确分类多种农药。近年来,基于贵金属的纳米多面体(Zhou等人,2022)、碳量子点金属复合材料(Zhu等人,2022b)以及多原子纳米酶(Ren等人,2025)发展迅速。不过,这些材料大多依赖贵金属或复杂的合成工艺,导致成本高昂且难以大规模生产,从而限制了其在现场快速检测中的应用。相比之下,铈基纳米材料由于具有独特的Ce3+/Ce4+混合价态以及丰富的表面氧空位(Fu等人,2022),展现出出色的氧化酶样活性,无需外源H2O2即可直接催化TMB等底物产生颜色变化。与其他过渡金属基、贵金属基和铜基纳米酶相比,铈基纳米酶具有更高的催化效率、更低的成本、在较宽pH范围内仍保持良好活性,以及稳定的化学性质。这些特点使得它们在比色传感领域得到了广泛应用(Liang等人,2022;Sre等人,2025;Wang等人,2022)。传统的阵列传感检测方法通常构建针对单一目标的单输出模型(Cheng等人,2025;Li等人,2026a;Liang等人,2025b),因此无法同时为同一样本预测多个不同粒度或类型的类别标签。为了解决这一局限,引入多输出随机森林模型后,就可以在多个维度上同时输出分类结果(Altaf等人,2026;Mendikute等人,2023)。随机森林是由多棵决策树构成的集成模型,本身就支持多输出任务;经过训练后,该算法可以直接生成多维度的预测结果。通过对数据进行标准化处理和分层抽样后,可以利用准确率、混淆矩阵和分类报告等指标来直观评估每个输出维度的分类性能。这种方法能够在不增加模型复杂度的情况下实现多个目标标签的联合学习,从而为阵列传感数据的多属性识别提供了新的解决方案(Dahl等人,2025)。
本研究利用铈基纳米酶的氧化酶样活性构建了一个四通道比色阵列。借助多输出随机森林模型,该阵列不仅实现了对I型和II型拟除虫菊酯的分类,还能准确识别八种特定的拟除虫菊酯。如图1所示,首先合成了四种具有氧化酶样活性的铈基纳米酶。通过分析它们对不同拟除虫菊酯的差异抑制特征,并结合线性判别分析、层次聚类分析以及多输出随机森林模型,实现了拟除虫菊酯的识别与分类。无论浓度如何,该阵列对I型与II型拟除虫菊酯的区分准确率可达98.75%,对八种特定拟除虫菊酯的分类准确率也为98.75%,而对于二元、三元和四元混合物的区分准确率则为100%。通过随机森林回归模型预测,所有分析物的浓度预测准确率均超过99%(R2=0.99)。此外,在针对菠菜、土壤、湖水和棉壳四种真实样本的加标实验中,该阵列的分类准确率始终保持在100%。综上所述,本研究实现了一种从氰基有无到具体化合物的逐步精细化识别方法,为拟除虫菊酯的快速毒性预筛、环境风险评估以及智能检测提供了一种新的结构导向策略。

章节节选

纳米酶的合成

本研究选择了四种芳香族羧酸配体,据此合成了相应的铈基纳米酶——BDC-Ce(对苯二甲酸铈)、BIC-Ce(间苯二甲酸铈)、BA-Ce(苯甲酸铈)以及p-CBA-Ce(对氯苯甲酸铈),合成方法如下(Farrag,2021)。
将0.533 M的硝酸铈(IV)铵水溶液(6毫升)在搅拌条件下缓慢加入相应配体(3.2毫摩尔)溶解在12毫升DMF中的溶液中(对于BDC-Ce、BIC-Ce、BA-Ce和p-CBA-Ce,所使用的配体分别为

筛选对拟除虫菊酯有响应的铈基纳米酶

为了筛选出对拟除虫菊酯有响应的铈基纳米酶,研究人员制备了一系列具有不同配体类型的铈基纳米酶,包括基于核苷酸的(ATP、AMP、ADP、GMP)、基于氨基酸的(Pro、ASP、Try、Arg、Ser)、含硫配体的(2-MT、6-MP、2-Melm)以及基于羧酸的配体(BDC、BIC、BA、p-CBA、FMA、T4CA、T5CA、T2CA、I2CA、BTC、TMA)。在相同条件下检测了它们对八种拟除虫菊酯的响应情况,如图1A所示。实验结果表明

结论

本研究成功构建了一种基于带有芳香族羧酸配体的铈基纳米酶的四通道比色传感器阵列。该阵列利用拟除虫菊酯的碱性水解产物对纳米酶氧化酶样活性的不同抑制作用,生成特征性的响应指纹,从而实现了对该类拟除虫菊酯的分层识别,从I型/II型分类一直到特定品种的识别。该方法依赖于

CRediT作者贡献说明

宋东辉:写作——审稿与编辑、验证、监督、资金获取。程玉青:写作——初稿撰写、方法学、数据整理、概念构思。甄林雪:可视化处理。李杰:实验研究、正式分析。李永新:写作——审稿与编辑、监督、项目管理、资金获取。黄辉:写作——审稿与编辑、可视化处理、监督、资金获取

未引用参考文献

Molavi和Salimi,2023;Qi和Zhao,2025;Wu和Ren,2026a;Yang和Wu,2018a。

利益冲突声明

作者声明不存在任何可能影响本文研究的已知财务利益或个人关系。

数据可用性

数据将应要求提供。

利益冲突声明

? 作者声明不存在任何可能影响本文研究的已知财务利益或个人关系。

致谢

本研究得到了吉林省自然科学基金(编号:20240402022GH)、国家自然科学基金(编号:22576079)以及吉林大学青年教师和学生交叉培养项目(编号:2026-JCXK-11)的资助。
程玉青|宋东辉|李杰|甄林雪|黄辉|李永新
中国吉林省长春市130025,吉林大学食品科学与工程学院
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号