机器学习辅助的三模态纳米酶平台用于食品中抗氧化剂的鉴定与总抗氧化能力评估

《Food Chemistry》：Machine learning-assisted tri-mode nanozyme platform for antioxidant identification and total antioxidant capacity evaluation in food

　　

• •
  合成了多功能纳米酶以构建三模态传感平台。
• •
  该平台实现了100%准确的抗氧化剂鉴别。
• •
  该平台可实现食品中抗氧化剂的快速定量与鉴别。

引言

生物体内活性氧（ROS）水平升高可破坏氧化还原稳态并诱导氧化应激，这与癌症、糖尿病、阿尔茨海默病等多种疾病的发生和发展密切相关（Liu, Bai, et al., 2026; Yang et al., 2023）。抗还原物质如抗坏血酸（AA）、谷胱甘肽（GSH）和半胱氨酸（Cys）在缓解氧化应激方面发挥着关键作用，从而降低相关疾病的风险（Blois, 1958; Guo et al., 2025; Liu, Chen, et al., 2025）。由于人体无法内源性合成大多数抗氧化剂，抗氧化剂的摄入主要依赖于食品、营养补充剂等外源性来源（Hasenb?hler et al., 2026; Qin et al., 2025）。因此，评估这些外源性来源的抗氧化效力具有重要的意义。总抗氧化能力（TAC）被广泛用作评估抗氧化能力的关键指标（Li, Xie, et al., 2024; Liu, Chen, et al., 2025）。

迄今为止，已开发出多种用于TAC定量的分析方法，包括电化学法、光谱法、化学发光法和色谱法等（Liang et al., 2018; Nimal et al., 2022; Vilian et al., 2026; Yang, Qiu, et al., 2025）。尽管这些技术通常具有较高的灵敏度和准确性，但它们往往需要昂贵的仪器设备并产生巨大的成本（T. Chen et al., 2024）。此外，对于食品等存在多种抗氧化剂共存的复杂样品，单模态检测的可靠性可能较低。这一局限性使得抗氧化剂混合物中各单一组分的区分和定量变得困难（Dong et al., 2024; Qi et al., 2025）。因此，亟需开发既能实现多信号输出，又能实现对单一抗氧化剂进行特异性识别和定量的新策略。

针对上述挑战，越来越多的研究关注到纳米酶——一类新兴的模拟酶材料（Wang et al., 2020; Zandieh & Liu, 2023）。这些纳米材料能够复制天然酶的催化功能，同时具备可调节活性、制备成本低、稳定性高等优势，在分析传感领域具有广阔的应用前景（Z. Li et al., 2023; Tao et al., 2025; Wei, Yang, et al., 2025; Yang et al., 2022; C. Zhang et al., 2022; Z. Zhang et al., 2025）。特别是单原子和双原子纳米酶的最新进展，已实现对复杂介质中食品安全与质量的智能传感阵列识别（Niu et al., 2023; Wang, Huang, et al., 2025; Wu et al., 2024）。将3,3′,5,5′-四甲基联苯胺（TMB）等显色底物氧化为有色的产物是纳米酶的关键特性之一，该特性可指示其具有类氧化酶或类过氧化物酶活性（Lin et al., 2025; Liu, Jiao, et al., 2025; Liu, Zhang, et al., 2026; Tan et al., 2025）。利用抗氧化剂与底物竞争纳米酶活性位点的特性，这些系统能够实现TAC的快速、灵敏检测。然而，大多数单一功能纳米酶主要仅提供催化活性，因而信号输出方式有限（Cui et al., 2025; Ma et al., 2025）。因此，它们更容易受到复杂基质中共存物质的干扰，从而降低检测的准确性和可靠性。更重要的是，这些方法通常仅报告总TAC，使得对混合物中特定抗氧化剂的选择性识别和定量分析变得困难。

为了克服这些局限性，近期研究利用纳米酶材料易于修饰、功能化、结构多样以及设计灵活等特点，开发了包括荧光、光热、电化学和声学纳米酶在内的多功能纳米酶系统（Yanyan Huang et al., 2019; Li, Zhao, et al., 2024; Pan et al., 2026; Zhao et al., 2023）。这些平台保留了纳米酶的催化特性，同时整合了其他功能（如荧光和光热效应），从而实现集成多模态检测。多信号读出可提高准确性，增强抗干扰能力和信号稳定性，并增强对多组分的区分能力（Feng et al., 2025; Hu et al., 2025; Yang et al., 2024）。此外，通过将多模态传感与线性判别分析（LDA）和层次聚类分析（HCA）等机器学习方法相结合，可将多模态响应转化为特征性的"指纹"，实现TAC组分的准确分类（M.-M. Chen et al., 2025; Ying Huang et al., 2025; X. Li et al., 2025; Yu et al., 2025）。多模态检测与数据驱动分析的协同作用为快速、准确、高效地识别和区分多种目标提供了途径（Heidary et al., 2025; Shen et al., 2025）。

在本工作中，通过微乳液法成功制备了具有类氧化酶活性的多功能纳米探针Mn-TCPP@Mn_xO_y（方案1）。为了在单一材料中集成三个正交的读出通道，选择TCPP作为核心构建单元。作为卟啉发色团，它提供强烈的Soret带和特征Q带发射，作为本征荧光报告基团；而其四个外围羧基则作为配位锚点，可实现混合价态Mn_xO_y外壳的一锅法原位生长。该探针集成了荧光、比色和光热三种模式进行TAC检测，并结合机器学习算法，可实现对多种常见抗氧化剂的准确识别和区分。具体而言，GSH还原并溶解Mn_xO_y外壳，从而破坏FRET过程并恢复TCPP的荧光，实现对GSH的灵敏检测。此外，Mn-TCPP@Mn_xO_y固有的类氧化酶活性可高效催化TMB氧化形成oxTMB。同时，借助所得oxTMB的光热特性，我们成功构建了结合比色与光热传感模式的集成双通道检测系统，用于总抗氧化能力的精确定量分析。该系统的分析能力源于不同抗氧化剂对催化产生的活性氧清除程度不同，并对TCPP荧光恢复的作用各异，从而在三个检测通道中产生特征性的响应模式。随后，对所产生多模态信号的LDA和HCA分析为每种抗氧化剂生成了独特的指纹图谱，实现了100%鉴别率的精确识别。在水果和蔬菜的实际测试中，Mn-TCPP@Mn_xO_y成功区分了实际样品中的抗氧化剂。总体而言，基于Mn-TCPP@Mn_xO_y的多模态纳米酶传感平台提高了抗氧化剂检测的准确性和抗干扰性能，在食品质量评价领域展现出巨大的应用潜力。

章节摘要

Mn-TCPP@Mn_xO_y的合成

Mn-TCPP@Mn_xO_y的合成参照先前发表的方法（Yang, Zhao, et al., 2025），并作少量修改。

Mn-TCPP@Mn_xO_y的荧光特性

为了表征Mn-TCPP@Mn_xO_y的荧光特性，采用以下程序进行对比荧光测量。分析了两份样品制备物：（1）含有15 μL Mn-TCPP@Mn_xO_y（100 μM）的HEPES缓冲液（pH 6.0）溶液；（2）由15 μL Mn-TCPP@Mn_xO_y（100 μM）和5 μL GSH（1 mM）组成的混合物

Mn-TCPP@Mn_xO_y的合成与表征

Mn-TCPP@Mn_xO_y通过微乳液辅助法合成。TCPP、氢氧化钠和锰离子的反应混合物按摩尔比1:15:12.5进行混合。反应过程中，体系中的过量氢氧根离子与锰离子发生反应，在碱性条件下促进Mn(OH)₂的形成。随后，Mn(OH)₂逐渐被溶解氧氧化，依次生成Mn₂O₃和MnO₂，最终形成多功能

结论

总之，本研究表明，将多功能锰基纳米酶与正交光学读出及模式识别分析相结合，为从复杂混合物中分离单一抗氧化剂提供了一条有效途径，而这对于传统的单信号分析仍然是具有挑战性的任务。荧光、比色和光热三个通道的正交性赋予了固有的自我验证能力，这对于在基质复杂的样品中进行分析

CRediT作者贡献声明

Yanling Zhao：撰写——审阅与编辑、方法学、调查研究、数据整理。Yanru Qin：数据整理。Mengfan Bi：验证。Ying Wei：调查研究。Liuting Mo：撰写——审阅与编辑。Chan Yang：撰写——审阅与编辑、方法学、获取资金、构思设计。Weiying Lin：撰写——审阅与编辑、指导、资源、获取资金。

未引用参考文献

Liu et al., 2025

利益冲突声明

作者声明不存在可能影响本文所报告工作的已知竞争性经济利益或个人关系。

致谢

本工作得到了国家自然科学基金（22204024、22577016、22277014和22404030）、广西自然科学基金（AD23026156、2022GXNSFBA035482、2021GXNSFDA075003和AD21220061）以及广西大学启动基金（A3040051003、A3040051016）的经费支持。

Yanling Zhao|Yanru Qin|Mengfan Bi|Ying Wei|Liuting Mo|Chan Yang|Weiying Lin