一种基于 Fe 掺杂 MnO?/石墨烯复合材料的机器学习辅助比色传感器阵列用于藤茶中类黄酮识别与生物活性预测

《Food Chemistry》：A machine learning-assisted colorimetric sensor array based on Fe-doped MnO?/graphene composites for flavonoid identification and bioactivity prediction in vine tea

　　

• 所开发的基于MnFe/GO纳米酶的双通道比色传感器阵列实现了对三种结构相似的黄酮类化合物的高效区分和灵敏检测。• 首次开发了一种将多元统计分析法与机器学习分类器相结合的策略，实现了对三种结构相似黄酮类化合物的高精度鉴定。• 建立了一种两阶段级联预测框架，首次实现了对黄酮类成分和生物活性的端到端定量预测，可直接从原始比色传感器信号中获得结果。• 利用来自不同商业品牌的真实葡萄茶样品对该传感器阵列和级联预测模型进行了成功验证，凸显了其实际应用的潜力。• 本研究提出了一种有前景的智能策略，用于天然产物的快速质量评估和生物活性导向筛选。引言葡萄茶是葡萄科蛇葡萄属的一种藤本植物，富含二氢杨梅素（DMY）、杨梅素（MYR）和杨梅素-3-O-葡萄糖苷等黄酮类化合物（Yao等，2021）。黄酮类化合物被广泛认为是具有多种健康促进特性的生物活性植物化学物质，包括抗氧化、抗菌、抗炎、抗病毒、抗癌、护肝、护心、降血糖、降血脂和免疫调节活性（Huang等，2024；Tang等，2024；Zhou等，2024）。由于富含DMY、MYR和杨梅素-3-O-葡萄糖苷等黄酮类化合物，葡萄茶具有清热解体的优良功效，具有抗氧化特性，并有助于管理高血压、高血糖和高血脂症（Mo等，2023；Rujanapun等，2022）。然而，葡萄茶中黄酮类化合物的种类和含量受生长区域环境条件、收获季节和加工方法等因素的影响，导致其风味、香气和生物活性存在差异（Tang等，2022；Zeng等，2025）。因此，构建快速、灵敏、有效的黄酮类化合物检测策略具有重要意义。这些策略应支持对葡萄茶中黄酮类化合物的种类和浓度的精确测量，以及阐明其化学成分与生物功能之间关系的研究。传统分析方法包括气相色谱法（Fang等，2020）、高效液相色谱法（Ye等，2009）、毛细管电泳法（Cheng等，2018）、液相色谱-质谱联用法（Shi等，2024）、荧光法（Wang等，2024）、表面增强拉曼散射法（Jiang等，2018）和电化学技术（Wang等，2022）。虽然这些分析方法具有优异的灵敏度和准确性，但大多数需要大量时间投入、昂贵设备、经过培训的人员和复杂程序，不适合快速筛选和现场检测。近年来，已探索了多种基于纳米酶的生物传感平台用于黄酮类化合物分析，包括金属氧化物纳米结构、金属-有机框架衍生材料、碳基纳米材料和贵金属基系统（Liang等，2025；Ren等，2025；Zhang等，2025）。与天然酶相比，纳米酶具有更高的催化效率、更好的稳定性、更低的生产成本以及合成和功能化方面的更大灵活性（Huang等，2019；Li等，2021；Singh，2019）。然而，传统的锁钥识别策略本质上存在局限性，因为每种黄酮类化合物通常都需要特定的传感器来进行鉴定（Robinson，2015；Sharma等，2025）。因此，为黄酮类化合物开发专用传感器通常需要耗费大量的人力和财力资源。为了克服这一瓶颈，提出了被称为"化学鼻/舌"的传感器阵列用于检测和识别黄酮类化合物（Li等，2018；Li等，2020；Liu等，2025）。这一策略借鉴了哺乳动物嗅觉系统的工作原理（其化学特异性并非来自特定分析物的特异性受体，而是通过一组嗅觉受体的信号整合来产生独特的响应指纹）（Xia等，2024；Ye等，2021）。通过分析物与传感元件之间的差异性相互作用，传感器阵列产生特征响应模式，作为单个黄酮类化合物的指纹（Li等，2019；Liang等，2025；Liu等，2021）。迄今为止，各种传感器阵列已被用于区分黄酮类化合物（Liang等，2025）。然而，尽管少数研究报告了在茶叶中使用传感器阵列进行黄酮类化合物的鉴定和定量分析，但这些研究通常未能将黄酮类成分和生物活性（如降血糖和降血脂活性）纳入单一分析框架中，导致茶叶质量评估缺乏全面性（Qin等，2024）。因此，建立比色传感器响应与黄酮类成分和生物活性之间的定量相关性已成为亟待解决的问题。此外，比色传感器响应、黄酮类成分与生物活性之间的关系本质上是非线性的，涉及多种成分之间的复杂相互作用。传统的回归方法通常不足以捕捉这种复杂性。机器学习是人工智能领域的基础学科，使计算机能够从数据中提取知识、增强任务执行能力，并通过识别数据中的模式进行预测和决策。它是现代人工智能系统的重要基础。在化学和生物传感领域，机器学习越来越多地用于处理复杂的、高维的传感器数据，这些数据使用传统统计方法难以解释（Alexander等，2023；Ma等，2026）。随机森林和梯度提升都是属于集成学习类别的机器学习算法，广泛应用于复杂数据建模（Tao等，2025）。随机森林基于Bagging策略，构建多个独立的决策树并将它们组合在一起，有效地增强模型的稳定性和泛化能力（Li等，2025；Rahaman等，2025）；相比之下，梯度提升基于提升的概念，通过逐步拟合残差和迭代优化模型参数，更精确地捕捉变量之间的非线性关系，从而实现更高的预测精度（Malashin等，2025）。因此，这两种方法在处理具有非线性和多变量耦合特性的复杂系统（如比色传感器数据）方面具有巨大的应用潜力。在本研究中，通过水热法制备了一种具有显著过氧化物酶样活性的石墨烯基MnFe/GO纳米复合材料。MnFe/GO纳米酶催化3,3′,5,5′-四甲基联苯胺（TMB）和2,2′-偶氮双(3-乙基苯并噻唑啉-6-磺酸)（ABTS）的氧化，分别产生在652 nm和415 nm处具有特征吸收峰的氧化产物。黄酮类化合物（DMY、MYR、杨梅素-3-O-葡萄糖苷）由于其抗氧化能力抑制纳米酶活性；抑制程度随黄酮类化合物浓度升高和反应时间延长而增加，导致氧化显色底物的还原程度不同。基于此原理，开发了一种双通道传感器阵列（2种显色底物×3种分析物×5次重复测量）。借助多元分析方法（LDA、HCA）和机器学习分类器（随机森林），该阵列准确分辨了三种黄酮类化合物。该阵列成功应用于检测葡萄茶中的三种黄酮类化合物并区分五个商业品牌，显示出良好的实际应用潜力。为进一步定量解析传感器信号、黄酮类成分与生物活性之间的复杂非线性关系，构建了一种基于机器学习的两阶段级联预测模型。与直接的端到端预测策略不同，该级联框架被设计为首先从传感器响应中重构黄酮类成分信息，然后建立成分特征与生物活性之间的关系。推断的成分向量代表了黄酮类混合物具有化学意义的成分概况，包括总浓度和单个组分的摩尔比例，作为传感器信号与生物效应之间的中间链接。在第一阶段，将特征工程与随机森林和梯度提升回归模型相结合，用于估算黄酮类总浓度和各组分的摩尔比例。在第二阶段，将第一阶段获得的"推断成分向量"作为中间表示输入到随机森林多输出回归模型中，预测生物活性（α-葡萄糖苷酶抑制率和胰脂肪酶抑制率），从而建立传感器信号到生物活性的定量映射。模型性能评估表明，该级联模型在所有预测任务中均表现出良好的拟合能力和泛化性能。最后，将五个葡萄茶品牌与比色传感器阵列反应的交叉响应信号输入已建立的级联模型中，成功预测了每个品牌葡萄茶中黄酮类混合物的总浓度、成分比例和生物活性。该策略不仅为天然产物中黄酮类化合物的快速鉴定和生物活性预测提供了有效方法，还为质量评估和功能筛选开辟了新的途径。材料片段材料和试剂本研究中使用的材料、试剂和仪器信息见电子补充材料（ESM）。MnFe/GO的合成关于Mn/GO和MnFe/GO合成的信息见电子补充材料（ESM）。传感器阵列的构建MnFe/GO纳米酶对不同显色底物表现出不同的催化活性。具体而言，它们催化无色的ABTS和TMB底物氧化，产生特征性的比色响应。一种醋酸……MnFe/GO的表征通过SEM和TEM研究了MnFe/GO的形貌和微观结构。如图1所示，A铁锰氧化物纳米颗粒均匀分散在石墨烯纳米片上，无明显团聚。TEM图像（图1 B；图S6）显示MnFe/GO纳米酶具有连续的晶格状微观结构，铁锰氧化物纳米颗粒分布在晶格表面和边缘。能量色散X射线光谱（EDS）图谱（图1 C……结论总之，通过水热策略制备了具有过氧化物酶活性的MnFe/GO纳米酶，并据此建立了双通道比色传感器阵列。通过利用不同黄酮类化合物的抗氧化能力差异，该阵列产生独特的比色响应指纹，实现了对DMY、MYR、杨梅素-3-O-葡萄糖苷及其混合物的高效区分。此外，线性判别分析表明，该传感器阵列……作者贡献本研究由所有作者共同构思和设计。[郑寅]监督了整个研究过程，包括研究规划、论文撰写和稿件修改。[王建]撰写了初稿，所有作者都参与了早期版本的修改。最终稿件获得所有作者的批准。作者贡献声明王建：写作-审稿与编辑，写作-原稿，可视化，验证，软件，方法论，调查，形式分析，数据整理。向金万：方法论，数据整理。洪玉婷：可视化，软件。苏海云：可视化，验证。杨宝：监督，资源，资金获取，概念化。郑寅：监督，资源，资金获取，概念化。伦理批准本研究不涉及人类参与者或动物来源样本。利益冲突声明作者声明以下财务利益/个人关系，可能被视为潜在的利益冲突：王建、向金万、洪玉婷、苏海云、杨宝、郑寅报告了由国家自然科学基金提供资助。如果有其他作者，他们声明没有已知的可能影响本文所报告工作的竞争性财务利益或个人关系。致谢本研究由国家自然科学基金资助（项目编号：22066010）。王建|向金万|洪玉婷|苏海云|杨宝|郑寅