《Food Research International》：PdO-T nanozyme-based three-channel colorimetric sensor array coupled with machine learning for accurate differentiation and quantitative detection of aflatoxins in U.S. pecan
编辑推荐：
•构建了一种比色阵列用于检测黄曲霉毒素。•结合机器学习的比色阵列定量并识别四种黄曲霉毒素。•机器学习算法采用随机森林和神经网络算法。•实现了对多组分黄曲霉毒素混合物中每种黄曲霉毒素的定量测定。引言黄曲霉毒素（AFs）是一类主要由黄曲霉和寄生曲霉产生的有毒次级代谢产物 (Pic
- •
构建了一种比色阵列用于检测黄曲霉毒素。
- •
结合机器学习的比色阵列定量并识别四种黄曲霉毒素。
- •
机器学习算法采用随机森林和神经网络算法。
- •
实现了对多组分黄曲霉毒素混合物中每种黄曲霉毒素的定量测定。
引言
黄曲霉毒素（AFs）是一类主要由黄曲霉和寄生曲霉产生的有毒次级代谢产物 (Pickova 等，2021)。在不适宜的温度和湿度条件下，AFs 极易污染多种食品商品，包括谷物、坚果、干果、牛奶和植物油，且这种污染可能发生在从农场到餐桌的整个链条中 (He 等，2020)。目前已鉴定出约 20 种 AF 类似物，其中最普遍存在的天然毒素包括 AFB1、AFG1、AFB2 和 AFG2，它们的分子结构中都含有二呋喃环部分 (Dong 等，2022)。其中，黄曲霉毒素 B1 (AFB1) 分布最广且毒性最大，其毒性是氰化钾的 10 倍和三氧化二砷的 68 倍 (Hong 等，2021；Ma 等，2024)。它还表现出极高的热稳定性和化学稳定性，这使得它在常规食品加工过程中极难降解 (Lin 等，2022；Zhang 等，2022)。AFs 对公众健康构成严重威胁：国际癌症研究机构 (IARC) 已将 AFB1 列为 1 类致癌物 (Ivanovics 等，2021)。长期暴露或摄入受 AF 污染的食品可导致肝损伤、黄疸和胃肠道功能障碍，严重时甚至会导致急性肝坏死、肝硬化和肝细胞癌，并伴有致畸、致突变和免疫抑制反应 (Lin 等，2022；Zhang 等，2022)。与此同时，AF 污染造成了巨大的经济损失，并对全球食品安全和食品加工行业构成了严峻挑战 (Ivanovics 等，2021)，因此，世界各国都已对食品中的 AF 水平制定了严格的监管限值 (Huertas-Perez 等，2018；Song 等，2022；Xue 等，2019)。
传感器阵列检测基于多种交叉反应传感元件，其特点是每个传感单元对不同分析物表现出不同的响应特性，并在不同单元中对同一目标显示出差异化的识别模式 (Ma，2018)。这一特性使得该方法能够通过多个传感通道的集体输出生成独特的响应指纹，从而实现对不同分析物的准确区分 (Chen，2020；Tian 等，2025)，尤其适用于结构相似分析物的识别。此外，该技术操作简便：一些基于颜色变化的阵列允许在不进行繁琐样品预处理的情况下，通过肉眼进行半定量分析。将纳米酶整合到传感器阵列中可以显著提高检测的稳定性和成本效益，克服了天然酶对环境因素高度敏感的缺点 (Li, Cui 等，2024；Ma 等，2025；Pundir & Malik，2019)。此外，受哺乳动物嗅觉系统启发的阵列传感技术（通常称为“电子鼻”）可以通过独特的复合反应实现多个目标的同时识别和多组分分析 (Hu 等，2024；Huang, Liu 等，2025；Li, Zhang 等，2024)，并已成功应用于抗生素 (Ran 等，2024)、金属离子 (Wu 等，2024)、食源性病原体 (Li 等，2025)、农药残留 (Huang, Xiang 等，2025) 以及细菌、硫醇和蛋白质的检测 (Li 等，2019；Song 等，2024；Yu & Xianyu，2021)。传感器阵列检测在 AF（尤其是 AFB1）分析中的应用是非常必要的。目前的 AFB1 检测方法有明显的局限性：色谱方法（如 HPLC (Zhu 等，2021)、LC-MS (Zhou 等，2021)、GC (Sheibani 等，2008)、GC–MS (Gong 等，2015)）具有高灵敏度和重现性，但需要复杂的样品预处理、昂贵的设备、专业操作、实验室基础设施和较长的检测时间，无法实现现场快速检测，且涉及破坏性分析。免疫学方法（如 ELISA (Yong & Cousin，2001)、侧向层析免疫测定）具有相对较高的灵敏度，但 ELISA 存在结果稳定性差、假阳性率高且缺乏统一试剂盒标准的问题；不可重复使用的抗体导致检测成本高昂，且基于金纳米球的侧向层析免疫测定灵敏度不足。传统生物传感器如荧光 (Dou 等，2023) 和 SERS (Cao 等，2024) 大多依赖单一模式信号输出，在复杂食品基质中容易受到干扰；有些需要外部激发光或昂贵设备，限制了其现场应用。
相比之下，基于充分验证的传感器阵列可以通过多通道响应指纹减少基质相关干扰，从而提高对复杂样品的检测准确性。基于纳米酶的传感器阵列具有更高的稳定性和更低的成本。一些阵列允许通过肉眼进行半定量分析，这显示了在经过进一步技术优化后适合简化快速筛选的潜力，并促进了多组分 AFs 的同时识别。尽管目前的一些传感器阵列存在相互作用模式单一或设计或操作复杂等缺点，但单组分多通道阵列的开发提供了一种简化程序和提高稳定性的可行策略。它们应用于 AFs 检测可以有效地弥补现有技术的不足，促进现场准确检测的实现，这对于保障食品安全具有重要意义。
在本研究中，开发了一种具有优异 POD 样活性的新型 Pd
O 纳米酶。AFs 对 H?O?催化的 PdO 纳米酶氧化 TMB 显示出不同的抑制效应，从而产生了独特的吸光度指纹。通过调节水热温度合成了三种 PdO-T 纳米酶，并构建了结合机器学习的比色传感器阵列用于检测 AFB1、AFB2、AFG1 和 AFG2。得益于四种 AFs 之间的内在结构差异，在三个传感通道上产生了差异响应信号。通过将阵列与随机森林 (RF) 判别算法集成，实现了对单个和混合 AFs 的准确且与浓度无关的识别。结合 RF 回归模型实现了对 0.0125–1.25 mg·L
?1范围内单个 AFs 的定量检测，RF 与人工神经网络 (ANN) 算法的结合实现了对混合 AFs 的同时定量。美国山核桃基质中的实际样品分析验证了该方法的可靠性和准确性，为 AFs 的快速、高通量检测提供了一条有前景的策略 (方案 1)。
章节片段
氧化钯纳米酶 (PdO-T) 的制备
采用硝酸钯 (2.56 g) 作为前驱体，在磁力搅拌下溶解于超纯水 (30 mL) 中，直至获得均匀的透明溶液。缓慢滴加氢氧化钠 (NaOH) 溶液 (1 M) 以将体系 pH 值调节至 12，确保氢氧化钯完全沉淀。将所得悬浮液在 70 °C 下连续搅拌 1 小时。反应后，将深棕色悬浮液转移至 100 mL 不锈钢高压釜中
纳米材料的表征
纳米酶的表征谱图见补充材料。如图 S1、图 S2 和图 S3 所示。
三种 PdO-T 纳米酶的过氧化物酶样活性
通过评估 PdO-160、PdO-200 和 PdO-240 纳米酶在 H?O?介导的显色底物 3,3′,5,5′-四甲基联苯胺 (TMB) 氧化中的催化性能，研究了其 POD 样活性。如图 1a-c 所示，将 TMB、H?O?和 PdO-160、PdO-200 或 PdO-240 共同孵育 20 分钟后，观察到明显的颜色反应，
结论
在本研究中，成功合成了一系列具有高且稳定过氧化物酶样活性的 PdO-T 纳米酶。此外，阐明了围绕•OH 和 1O?的催化机制以及表面电学性质对催化性能的调控影响，从而为纳米酶在传感领域的应用奠定了理论基础。利用三种 PdO-T 纳米酶作为构建了一个三通道比色传感器阵列
CRediT 作者贡献声明
王彦彬：验证、调查、形式分析、数据整理。 王玲玲：写作 - 审阅与编辑、验证、方法论、调查、形式分析、概念化。
基金
本工作得到了 浙江省科技计划项目 (项目编号： 2024F1065–3) 的支持。
利益冲突声明
作者声明，他们没有已知的竞争财务利益或个人关系可能被认为会影响本文报道的工作。
王彦彬 | 王玲玲
