《Microchemical Journal》：SVM-boosted MoS?/CuO/NiO nanosensor for intelligent detection of watermelon LncRNA sugar markers
编辑推荐：
•
使用DPV电化学方法快速检测西瓜长链非编码RNA（lncRNA）的糖标记物。
•
SVM算法将检测和分类准确性
- •
使用DPV电化学方法快速检测西瓜长链非编码RNA（lncRNA）的糖标记物。
- •
SVM算法将检测和分类准确性提高到96.7%。
- •
应用于西瓜甜度的智能检测和农产品质量评估。
引言
机器学习算法，特别是支持向量机（SVM），近年来被引入以提高电化学纳米传感器的性能，使得水果甜度标记物的智能和高度精确检测成为可能。本文通过一种改进的MoS?/CuO/NiO生物传感器证明了这一能力，该传感器对西瓜lncRNA糖标记物的分类准确性达到了96.7% [1]。传统的糖含量测量方法，如高效液相色谱（HPLC）或Brix折射率法，由于需要复杂的样品制备和较长的分析时间，往往不适合快速、现场检测 [2]。最近发现，特定长链非编码RNA（lncRNA）的浓度与果实成熟过程中糖代谢基因的表达有关，这为西瓜的间接甜度评估提供了一个有前景的分子级指标。这种方法需要开发高灵敏度和便携性的生物传感平台。
电化学生物传感器因具有高灵敏度、便携性和实时分析潜力而受到广泛关注。这些传感器的性能在很大程度上取决于电极材料 [3]。包括还原氧化石墨烯（RGO）尤其是二硫化钼（MoS?）在内的纳米材料已被广泛整合到传感器设计中，以提高电导率并提供高表面积与体积比，从而实现生物分子的固定。核酸的磷酸骨架与MoS?之间的强结合亲和力进一步允许选择性的、无标记的传感 [4]。尽管有这些优势，但仍存在一个重大挑战：电化学传感器的分析性能本质上依赖于建立电化学信号（例如峰值电流）与分析物浓度之间的稳健校准曲线。然而，在复杂的实际环境中，这种关系可能受到非特异性相互作用、信号漂移和环境变量的影响，导致潜在的不准确性。此外，虽然传感器可以高灵敏度地检测lncRNA浓度，但最终目标是要预测以消费者为中心的指标——甜度（Brix%）。将分子信号转换为可量的质量参数通常需要额外的、往往繁琐的校准步骤 [5]。
最近的植物分子生物学进展表明，特定的lncRNA作为果实质量特征的关键调节因子。例如，西瓜特有的lncRNA ClnRip01（GenBank: PQXXXXXX）作为一种内源性竞争RNA（ceRNA），能够与miR159竞争结合，从而解除对其目标基因ClSUS1的抑制，而ClSUS1编码的蔗糖合成酶对于果实成熟过程中的葡萄糖积累至关重要。因此，ClnRip01的表达水平与西瓜果肉中的可溶性固形物含量（Brix%）呈强正相关。这一调节机制为直接使用ClnRip01作为甜度的替代指标提供了坚实的分子基础，避免了受外部环境波动影响的直接糖定量需求。为了克服这些基本限制，将机器学习（ML）与先进的传感器技术结合起来已成为一种变革性的范式 [6]。ML算法可以处理多维电化学数据（例如整个伏安图而不仅仅是单个峰值），以识别传统分析无法察觉的复杂非线性模式。这种能力使得创建更耐噪声和干扰的稳健模型成为可能。更重要的是，监督式ML算法可以训练出来，直接建立原始电化学响应与最终感兴趣的参数（例如Brix值）之间的端到端关联，有效地充当数字校准器，绕过了中间转换步骤，提高了预测准确性 [7]。lncRNA通过三种主要机制调节果实糖代谢：（i）作为竞争性内源性RNA（ceRNA）与miRNA结合，解除对糖代谢基因（例如蔗糖合成酶）的抑制；（ii）表观遗传调控染色质可及性和DNA甲基化；（iii）与糖代谢相关的转录本的替代剪接/替代polyadenylation。这些调节作用已在西瓜、猕猴桃和桃子中得到证实 [31], [32], [33]。然而，特定lncRNA与西瓜Brix%之间的直接定量关系尚未报道，这突显了本工作的新颖性。
在这里，我们报告了一种基于机器学习的电化学生物传感平台的开发，用于智能预测西瓜的甜度。该平台建立在一种新型的MoS?/CuO/NiO三元纳米复合修饰电极上，其组分的协同效应产生了高保真度的信号响应。除了提供一个对lncRNA检测敏感的传感器外，我们还在从差分脉冲伏安法（DPV）剖面提取的多维数据上训练了一个支持向量回归（SVR）模型。该模型不仅旨在高精度地量化lncRNA生物标记物，还能直接预测西瓜的甜度（Brix%）。我们证明这种数据驱动的方法显著提高了传感系统的稳健性、准确性和实用性，标志着农业智能化和自动化质量评估方面的重大进展 [8]。值得注意的是，我们提出的三元异质结优于之前报道的基于MoS?或二元金属氧化物的电化学传感器，在三个基本方面具有优势。首先，从材料角度来看，将NiO合理地结合到MoS?/CuO基质中，形成了一个多层次的界面结构，显著降低了电荷转移阻力（Rct = 1.6 Ω）并扩大了电活性表面积（Cdl = 9.70 nF），优于文献中大多数二元复合材料。其次，在分析性能方面，传感器显示出非常宽的线性范围（1 pM到80 μM）和超低的检测限（0.15 pM），全面超越了之前报道的RNA传感器的指标（详见表1）。第三，也是最重要的是，与仅产生原始电化学读数的传统传感器不同，我们的平台是第一个集成基于SVM的决策算法的，该算法可以直接将多维信号转换为准确的甜度等级（96.7%的准确性），从而建立了端到端的“传感-分析-决策”框架，这是先前研究中所缺乏的。因此，这项工作进一步整合了基于支持向量机（SVM）的决策算法，实时分类和确定传感器输出的电化学信号，实现了西瓜lncRNA糖标记物的智能检测。这种“材料-传感器-算法”集成策略为农业质量控制的快速、无创现场分析提供了新范式。
部分摘录
MoS?的制备
二硫化钼（MoS?）纳米材料的制备使用了偏钼酸盐二水合物（Na?MoO?·2H?O，0.65 g）和硫脲（CH?N?S，0.78 g）作为前驱体。这些试剂在30 mL去离子水中超声处理2分钟直至完全溶解。所得混合物转移到装有聚四氟乙烯内衬的50 mL水热反应器中，然后在200°C下加热20小时以促进MoS?的形成。
结果与讨论
图1(a)展示了电化学传感器制备的一般过程。图1(b)展示了合成纳米MoS?、纳米CuO和纳米NiO颗粒的详细技术。
决策算法和智能数据分析
图14a展示了本研究中提出的智能甜度决策算法的完整工作流程。该算法从电化学传感器信号采集开始，经过多阶段处理后，最终输出可靠的甜度水平。首先，系统从CV、DPV和EIS测量中提取七个关键电化学特征，形成一个特征向量。随后，在归一化 preprocessing之后，这些特征被输入到SVM中
结论
本研究提出了一种改进的MoS?/CuO/NiO纳米传感器，其对西瓜lncRNA糖标记物的分类准确性达到了96.7%，建立了从原始电化学信号到甜度预测的直接数据驱动路径。通过集成SVM决策算法，它超越了传统的基于浓度的检测方法，显著提升了分析性能。传感器的出色性能归因于MoS?（RNA捕获）、
CRediT作者贡献声明
Bairui Tao： 监督，方法论。 Zhiwen Qian： 写作——原始草稿，数据管理。 Fengjuan Miao： 监督，方法论，调查。
利益冲突声明
作者声明他们没有任何已知的竞争性财务利益或个人关系可能影响本文报告的工作。
致谢
我们感谢黑龙江省农业多维传感器信息感知工程研究中心和黑龙江省微纳传感器组件重点实验室的支持。这项工作得到了黑龙江省高校基础研究青年人才计划（YQJH2024261）、黑龙江省高校基本研究基金（编号145309802）和黑龙江省科学基金项目（编号ZL2025F006）的共同支持，
