《Results in Chemistry》：Overcoming the limitations of traditional antioxidant assays: the role of AI and non-destructive techniques
编辑推荐：
准确测定抗氧化能力是食品科学、药理学和营养生物化学的核心议题。数十年来，该领域一直依赖一系列成熟的化学和生物学测定方法，大致可分为电子转移（ET）型（如DPPH、ABTS、FRAP）、氢原子转移（HAT）型（如ORAC）、细胞模型和体内模型。这些方法各有其真实
准确测定抗氧化能力是食品科学、药理学和营养生物化学的核心议题。数十年来，该领域一直依赖一系列成熟的化学和生物学测定方法，大致可分为电子转移（ET）型（如DPPH、ABTS、FRAP）、氢原子转移（HAT）型（如ORAC）、细胞模型和体内模型。这些方法各有其真实价值，但均存在重要的实际缺陷：具有破坏性、试剂消耗量大、耗时且难以在不同实验室间标准化。更为根本的是，无细胞化学测定在人工条件下测量氧化还原反应性，无法反映真实生物系统中的吸收、代谢和细胞内动力学，导致测得的抗氧化能力与实际生物学功效之间持续存在差距。本综述批判性地审视了这些局限性，并探讨了两个新兴技术方向如何开始解决这些问题。首先，非破坏性振动光谱技术（主要是近红外（NIR）光谱和拉曼光谱）提供了快速、无试剂的替代方案，且能保持样品完整。其次，人工智能和机器学习框架，包括化学计量学校准模型、QSAR方法、基于图像的分类器和基于图的深度学习架构，可以将原始光谱或结构输入直接映射为抗氧化活性值，随时间推移减少对湿化学参考测定的依赖。总体而言，这些方法为抗氧化筛选指明了一条切实可行的路径，使其比现有方法更快、更便宜、更少浪费，且更适应工业级通量。研究人员讨论了证据现状、仍然存在的主要局限性（特别是模型可迁移性、可解释性以及对新化学结构的泛化能力），以及最有可能推动该领域向前发展的进展。
**论文解读：人工智能与非破坏性光谱技术推动抗氧化测定范式转型**
**1. 研究背景与问题**
氧化应激由活性氧（ROS）与细胞抗氧化防御系统之间的系统性失衡引起，是肿瘤发生、心血管疾病和神经退行性疾病等多种慢性病理过程的主要驱动因素。因此，天然及合成抗氧化化合物的靶向筛选在制药、营养保健品和化妆品行业日益重要。准确量化抗氧化能力是食品科学、药理学和营养生物化学的基石，但传统湿化学测定法面临根本性挑战。传统方法主要分为电子转移（ET）型（如DPPH、ABTS、FRAP）和氢原子转移（HAT）型（如ORAC）无细胞化学测定、细胞模型和体内模型。尽管这些方法各有价值，但普遍存在破坏性强、试剂消耗大、耗时长、实验室间标准化困难等实际缺陷。更关键的是，无细胞化学测定在均匀人工介质中测量化学还原能力，无法反映活体系统中的细胞内转运、细胞摄取和膜动力学，导致“生物相关性鸿沟”持续存在。此外，不同测定法之间存在结果不一致的问题，例如DPPH受空间位阻影响，ABTS需长时间预生成自由基，FRAP无法反映非电子转移机制，ORAC则对温度敏感且易受基质荧光干扰。这些局限性促使研究者探索将人工智能（AI）与非破坏性光谱技术相结合的替代路径。
**2. 研究内容与核心方法**
研究人员系统梳理了从经典化学测定到现代AI驱动分析的转型逻辑，并提出融合非破坏性振动光谱与机器学习框架的解决方案。所涉及的主要关键技术方法包括：近红外（NIR）光谱、傅里叶变换中红外（FT-MIR）光谱和拉曼光谱等非破坏性振动光谱技术；偏最小二乘（PLS）回归及多种波长选择算法；定量构效关系（QSAR）建模；基于图像的智能手机比色分析；以及基于图的深度学习架构。数据集来源包括DPPH、ABTS、FRAP和ORAC等参考测定值，以及如BATMAN天然产物数据库、AODB数据库等公开数据集。研究未涉及特定试剂或具体实验操作，但引用了包括花生种子、黑枸杞、蜂胶、山茱萸、大黄等多种植物基质的研究案例。
**3. 主要研究结果**
**3.1 化学和无细胞体外测定的局限**
ET型测定法（DPPH、ABTS、FRAP）基于抗氧化剂向缺电子氧化剂单电子转移的热力学原理。DPPH因水溶性差需有机溶剂，且空间位阻可导致假阴性；ABTS虽具水和有机溶剂双重溶解性，但其自由基阳离子为非生理性探针，且预生成过程需12–16小时；FRAP仅测量铁还原能力而非自由基清除活性，且多酚自氧化可导致高估。HAT型测定法（ORAC）通过荧光衰减动力学反映过氧自由基清除能力，但对温度波动敏感、受基质色素干扰，美国农业部（USDA）已正式停止其公共验证数据库。这些测定法的共同问题是仅测量化学反应终点而非动力学，且结果高度依赖溶剂pH和探针种类。
**3.2 细胞和体内生物模型的优势与代价**
细胞抗氧化活性（CAA）测定使用DCFH-DA探针标记活细胞（如Caco-2、HepG2），能够反映细胞摄取、代谢和生物利用度，但需要无菌培养设施、成本高且结果易受细胞类型和探针影响。体内模型（啮齿类、斑马鱼、线虫）能捕获完整的吸收、分布、代谢和排泄（ADME）过程，并可结合丙二醛（MDA）、8-羟基-2′-脱氧鸟苷（8-OHdG）等损伤标志物及超氧化物歧化酶（SOD）、过氧化氢酶（CAT）等内源酶活性评估，但存在伦理审批、高费用、周期长和种属差异等限制。
**3.3 光谱与化学计量学集成**
NIR和FT-MIR光谱结合PLS回归可实现无损抗氧化预测。例如，Bilal等人（2021）对花生种子总酚、总黄酮和总抗氧化能力进行预测，校准决定系数（R2）达0.95，且波长选择算法优于全谱PLS。Arslan等人（2018）对黑枸杞的NIR模型成功预测抗氧化活性。Topal?等人（2026）利用光谱分析评估山茱萸基因型中多酚、黄酮和花青素的分布。Sun等人（2025）将HPLC指纹图谱与NIR结合评估大黄抗氧化能力。研究建立了通用的分析流程：获取振动光谱→光谱预处理→变量选择→回归建模。但跨基质可迁移性仍是主要障碍。
**3.4 AI在抗氧化活性预测中的应用**
QSAR模型方面，Jung等人（2024）使用1900余种化合物、五种机器学习算法（SVM、逻辑回归、XGBoost、随机森林、深度神经网络）结合ECFP-4指纹，随机森林和SVM分类准确率超过0.90，并在BATMAN数据库外部验证成功。Mateus & Abreu（2025）用70种二（杂）芳基胺/酰胺化合物和开源工具构建四描述符模型，内部验证R2=0.8905，外部验证Q2EXT=0.6589。Ghironi等人（2025）基于1911种分子和1800多个描述符比较11种回归模型，Extra Trees表现最佳（外部测试集R2=0.77），共识模型准确预测了训练集中不存在的尿石素A的IC??。
图像预测方面，Saenjum等人（2021）开发了基于智能手机的移动液滴DPPH平台，结果与传统分光光度法无统计差异。基于机器学习辅助的纸基比色分析（结合RGB、HSV、LAB颜色空间）显著提高了在不同光照和相机条件下的鲁棒性。Amin等人（2024）开发了集成YOLOv4目标检测与CNN堆叠集成（stacking ensemble）的智能手机系统，对人类唾液中总抗氧化浓度进行分类，准确率从单个CNN的77.76%提升至97.78%，并实现完全端侧推理。
**4. 讨论与结论**
研究人员指出，当前AI模型均基于传统湿化学参考值进行训练，因此AI加速并减少了试剂使用，但并未从根本上弥合无细胞测定的生物相关性鸿沟。图神经网络（如Chemprop）有望通过学习分子图表示来识别结构新颖的活性化合物，但尚无针对抗氧化活性的直接对比证据。未来发展方向包括：SHAP可解释性框架以识别驱动预测的光谱区域或分子子结构；多模态传感器融合（NIR/拉曼光谱+结构描述符+图像数据）；联邦学习架构以在保护知识产权的同时实现多机构协作训练；标准化开放存储库（类似LOTUS或NPASS）以提供统一基准数据集。此外，区块链数据溯源体系可为光谱数据、模型版本和实验条件提供防篡改的可审计记录，从而增强受监管领域对AI模型的信任。
研究结论强调，非破坏性光谱技术与AI相结合，为抗氧化筛选提供了一条更快、更便宜、更少浪费且适应工业级通量的务实路径。当前的核心挑战在于模型可迁移性、可解释性和对新型化学结构的泛化能力。跨基质泛化建模、可解释AI的引入、多模态学习框架以及标准化高质量数据集的建立，将是推动该领域从实验室研究走向实际应用的关键方向。
