食源性病原体仍然是公共卫生和食品安全的主要威胁，食品生产、加工、分销和国际贸易日益复杂，使得快速微生物危害识别成为食品安全监测的必要条件。在食源性病原体中，Salmonella 是引起食源性疾病感染和爆发的主要细菌原因之一。不同的Salmonella 血清型在宿主范围、污染来源、传播途径、流行病学分布和风险水平上存在差异 (Matan & Khunjan, 2026; X. W. Sun, Chi, Li, Wang, Li, Xu, et al., 2026)。因此，快速准确地鉴定食源性Salmonella 的血清型对于病原体检测、微生物危害识别、污染警告、溯源以及食品生产和分销链中的食品安全控制至关重要 (Fr?der, Lorusso, Martinez, & de Macedo, 2026)。传统的基于培养和分子的方法提供可靠的结果，但它们对耗时的样品制备、培养、标记或扩增的要求可能限制现场快速检测和及时的食品安全决策 (An, Li, Yu, Liu, Ma, Ju, et al., 2026; J. Z. Sun, Xu, Feng, Zhang, Xu, Jiang, et al., 2023)。
拉曼光谱因其提供细胞成分无标记的内在分子指纹且需要极少的样品制备，在细菌鉴定中引起了越来越多的关注，使其适用于快速单细胞微生物表型分析 (J. Z. Sun, Wang, Xia, Peng, Gao, Sun, et al., 2026)。单细胞拉曼光谱可以捕获细胞间的生化异质性并减少对整体培养信号的依赖，有利于快速细菌病原体鉴定。然而，实际的单细胞拉曼测量涉及光谱质量、采集速度和细胞扰动之间的固有权衡 (Zhou, Wang, Yu, Ye, Chen, Xu, et al., 2026)。长积分采集提供更高的信噪比和更清晰的拉曼峰，但延长了激光曝光时间，增加了扰动风险，并降低了光谱采集效率；而短积分采集减少了每个光谱的采集时间，但产生较弱的信号、更强的波动和增加的背景干扰 (Xie, Mace, Dinno, Li, Tang, Newton, et al., 2005)。因此，提高短积分条件下的拉曼分类对于增加食源性病原体分析中光谱鉴定阶段的通量至关重要。
对于密切相关的Salmonella 血清型，这一挑战更为明显，它们共享高度相似的细胞组成和拉曼光谱特征，判别信息通常局限于微弱的局部区域 (J. Z. Sun, He, & You, 2025)。在短积分采集下，这些细微的光谱差异很容易被噪声或背景波动所掩盖，使得准确的血清型水平鉴定变得困难 (Shu, Zhang, Li, Bi, Liu, Ma, et al., 2025)。人工智能和机器学习为快速微生物鉴定提供了机会，但传统方法如偏最小二乘判别分析 (PLS-DA)、支持向量机 (SVM) 和随机森林依赖于手动选择或统计提取的光谱特征，并且随着光谱质量下降而变得不够鲁棒 (Y. H. Liu, Wu, Wang, Qi, Zhou, & Xue, 2026)。深度学习方法可以自动学习非线性光谱表示，但传统网络通常缺乏可解释性和显式的拉曼先验引导，特别是当判别信息稀疏且微弱时 (Chin, Chang, & Chao, 2025)。对于食源性病原体分析，可解释的光谱证据对于理解模型决策的基础很有价值。因此，需要一种基于人工智能的模型来提高短积分拉曼鉴定，同时解释分类决策。
为了解决这一挑战，我们提出了一种物理信息拉曼注意力模型 (PIRAM)，它使用高质量长积分光谱中稳定的拉曼峰位置和宽度作为先验来分类短积分光谱。在基于拉曼的细菌鉴定中，长积分光谱提供稳定的特征峰位置和具有生化意义的判别区域，可以引导模型趋向于信息丰富的光谱波段，同时允许从短积分光谱中自适应地学习特征。这种策略适用于短积分拉曼鉴定，因为它使用高质量的长积分光谱构建稳定的光谱先验并将其转移到短积分鉴定任务中 (Puleio & Gaudio, 2025)。与我们之前的峰值感知拉曼注意力模型 (PARAM) 不同，该模型在数据有限的条件下使用峰值感知注意力从四种食源性细菌物种的 30 秒数据生成保留峰的合成光谱 (J. Z. Sun, Wang, Xia, Peng, Gao, Sun, et al., 2026)，PIRAM 是一个判别模型，使用可学习的高斯物理先验和全局 - 局部特征融合来分类测量的短积分光谱。本研究的Salmonella 数据集是独立收集的，没有重用之前的研究中的光谱。因此，PIRAM 的主要创新在于将稳定的拉曼先验从长积分光谱物理信息地转移到短积分分类中，而不是合成数据生成。
在本研究中，使用在 30 秒、15 秒、10 秒和 5 秒采集的单细胞拉曼光谱研究了三种食源性Salmonella 血清型，即S. typhimurium、S. derby 和S. enteritidis。30 秒长积分光谱用于构建稳定的高斯拉曼物理先验，以引导模型在短积分光谱中趋向于判别区域。通过全局 - 局部架构，PIRAM 整合全局光谱模式与先验引导的局部特征，用于分类短积分单细胞拉曼光谱。结果表明，与传统机器学习和标准深度学习基线方法相比，PIRAM 在积分时间范围内表现出更强的鲁棒性，特别是在短积分和低信号条件下。学习到的注意力分布突出了具有生化意义的拉曼区域，而消融分析证实了全局分支和先验引导的局部分支的互补性。通过将长积分光谱先验与短积分拉曼鉴定联系起来，本研究提供了一种可解释的基于人工智能的策略来分类食源性细菌血清型，并支持在相关于食品分析的测试条件下进行进一步评估。
