基于机器学习的纳米粒子增强型纸张显色阵列传感器方法，用于检测低湿度食品中致死剂量以下的沙门氏菌污染

《Food Research International》：Machine learning–driven nanoparticle–enhanced paper chromogenic array sensor approach for detecting sub-lethally injured Salmonella in low moisture food

检测花生酱中受损沙门氏菌的机器学习纳米粒子增强纸基色谱传感器研究，实现室温下48小时连续监测且准确率超90%，1小时可检出3-4 log CFU/g病原体，克服背景微生物干扰。

　　

作者列表： 詹嘉（Zhen Jia）| 艾玛·格蕾丝·霍利迪（Emma Grace Holliday）| 伊丽莎白·凯瑟琳·唐（Elizabeth Catherine Tang）| 海莉·布林·鲁索（Haley Brynn Russo）| 托马斯·R·鲁特斯（Thomas R. Rootes）| 罗亚光（Yaguang Luo）| 余恒勇（Hengyong Yu）| 王大阳（Dayang Wang）| 张博策（Boce Zhang）

美国佛罗里达大学食品科学与人类营养系，盖恩斯维尔，FL 32611

摘要

检测亚致死损伤的病原体对于提高食品安全至关重要，特别是考虑到法规建议要求微生物方法的验证应包括50–80%的受损细胞。在低水分食品（LMFs）等食品基质中，受损细胞在有利条件下可以复苏并繁殖，对公共卫生构成重大风险。此外，这些细胞可能保留甚至增强毒性，这凸显了及时准确检测的必要性。本研究开发了一种基于机器学习的纳米粒子增强型纸基显色阵列传感器（ML-NP-PCA）方法，用于检测和区分花生酱（一种高脂肪LMF）中的受损和正常沙门氏菌（Salmonella）以及其中的背景微生物群（BK）。评估了金纳米粒子（Gold NP）、二氧化硅纳米粒子（Silica NP）和沸石纳米粒子（Zeolite NP）对PCA性能的提升作用。其中，二氧化硅纳米粒子PCA在磷酸盐缓冲盐水（PBS）中显示出广泛的浓度范围（约1–6 log CFU/mL）内识别受损和正常沙门氏菌的强大能力，并被集成到ML-NP-PCA方法中。结果表明，ML-NP-PCA方法能够在室温下储存48小时的情况下，准确且连续地检测和区分花生酱中的受损和正常沙门氏菌，准确率超过90%。即使在存在背景微生物群的情况下，也能在约3–4 log CFU/g的浓度下在1小时内检测到受损和正常沙门氏菌，准确率为92.0 ± 0.9%。这些发现展示了ML-NP-PCA方法作为一种非破坏性、无需富集且快速的工具，适用于持续监测食品中的受损沙门氏菌。该方法还支持符合法规要求的微生物检测，并增强了整个食品供应链的食品安全监控。

引言

在食品供应链中，由于化学或物理压力（例如热处理和低水分活度），病原体可能会受到亚致死损伤，导致细胞损伤或部分功能丧失，但不会被杀死（Dodd等人，2007；Shao等人，2023；Wu，2008）。受损细胞通常被定义为能够在非选择性培养基上形成菌落，但在选择性培养基上无法形成菌落（Shao等人，2023；Wesche等人，2009）。这些受损细胞仍然存活并具有代谢活性；在有利条件下，它们可以在食品中复苏、恢复并生长（Wesche等人，2009；Zhang等人，2025）。此外，一些受损病原体甚至会保留或增强毒性（Abdelhamid等人，2025）。因此，食品中存在受损细胞对食品安全和公共卫生构成重大风险。 低水分食品（LMFs；水分活度（aw）≤ 0.85；美国食品药品监督管理局（FDA），2025）可能藏有受损病原体，如沙门氏菌、单核细胞增生李斯特菌（Listeria monocytogenes）和大肠杆菌O157:H7，尽管这些病原体很可能受到亚致死损伤，但它们仍能存活数天至数月甚至数年（Kimber等人，2012；Singh等人，2023；Taylor等人，2019）。即使采取了热处理等预防控制措施（FDA，2024a），近年来与LMFs相关的重大食源性疾病暴发仍时有发生（疾病控制与预防中心（CDC），2022，2024；FDA，2022）。其中，沙门氏菌是最常涉及的病原体，在花生酱等LMFs中有多次暴发记录（CDC，2007，2009，2012，2014，2015，2022，2025）。鉴于沙门氏菌的感染剂量很低（低至1到10个细胞）（美国肉类科学协会，2015；Colin等人，2025；Cox & Pavic，2014；Todd，2014），并且某些LMFs在食用前无需烹饪，因此准确检测沙门氏菌对于防止受污染的食品进入消费者手中至关重要。 然而，常规微生物检测方法在LMFs中检测沙门氏菌仍然具有挑战性（Gurtler等人，2019）。这主要是由于食品成分（如天然抗菌化合物、脂肪和蛋白质）的抑制作用，它们会抑制细菌的恢复或干扰分子检测（Acuff等人，2023；FDA，2024b；Goodridge等人，2011；Gurtler等人，2019；Moon等人，2022；Naveed等人，2013）。此外，细菌细胞被包裹在脂质、脂肪或油滴中会进一步复杂化细胞提取过程，导致病原体水平被低估（Gurtler等人，2019）。官方分析合作协会（AOAC）和FDA建议使用含有50–80%受损细胞的食品基质来验证加工食品的微生物方法（AOAC方法委员会，2012；FDA，2019），这突显了受损细胞在食品安全检测中的关键作用。 传统的基于培养的沙门氏菌检测方法（包括受损和未受损的沙门氏菌）虽然可靠，但劳动密集且耗时（至少需要5天才能获得结果），并且需要多个富集步骤来恢复受损细胞（FDA，2024b；国际标准化组织，2017）。已经开发了快速检测方法，如PCR、酶联免疫吸附测定和酶联荧光测定，用于检测受损沙门氏菌（Huang等人，2020；Kawasaki等人，2018；Lim等人，2015；Park，2023；Zheng等人，2016）。然而，这些方法仍然依赖于足够的受损细胞恢复（Huang等人，2020；Lim等人，2015；Park，2023；Zheng等人，2014），并且容易受到食品基质中抑制物质的干扰（Acuff等人，2023；Chen等人，2010；Goodridge等人，2011；Moon等人，2022；Ryan等人，2015；Schrader等人，2012）。比色阵列传感器作为一种有前景的替代方法，通过检测病原体特异性挥发性有机化合物（VOCs）与化学染料之间的化学反应产生的独特颜色模式来检测病原体（Carey等人，2011；Chen等人，2014；Lonsdale等人，2013；Mazur等人，2023）。然而，大多数现有方法依赖于凝聚相接触（例如添加酶以生成VOCs或催化与VOCs的反应）（Poyatos-Racionero等人，2018；Tait等人，2015；Yoo & Lee，2016），或者缺乏稳健的颜色模式识别算法以实现准确的病原体鉴定（Hemmateenejad等人，2023；Zhang等人，2023）。为克服这些挑战，我们之前开发了一种基于机器学习的纸基显色阵列传感器（ML-PCA）系统（Jia等人，2021，2024a，2024b；Yang等人，2021，2022）。ML-PCA系统能够在培养基和多种食品基质（如生菜、海鲜、哈密瓜、鸡肉末和奶酪）中准确且连续地检测多种病原体（如单核细胞增生李斯特菌、沙门氏菌属和大肠杆菌O157:H7），准确率超过90%，且无需富集、培养、孵育或其他样品制备（Jia等人，2021，2024a，2024b；Yang等人，2021，2022）。病原体的检测浓度可低至1 log CFU/g（Jia等人，2024a，2024b）。 尽管受损细胞仍然具有活力和代谢活性（Racioppo等人，2025），并且能够产生VOCs，但其受损的功能和恢复需求可能导致VOCs的释放速率较慢且浓度较低，这可能限制了ML-PCA系统检测受损细菌细胞的能力/灵敏度。为了克服这一限制，本研究通过将纳米粒子（NP）整合到PCA中，开发了一种基于机器学习的纳米粒子增强型纸基显色阵列传感器（ML-NP-PCA）系统（图1）。加入纳米粒子的目的是增加活性表面积并增强VOC与化学染料的相互作用，从而提高传感器的灵敏度和信号强度（Khatib & Haick，2022；Lawaniya等人，2025；Rosario等人，2024）。该系统的性能已通过在高脂肪LMF（花生酱）中存在背景微生物群的情况下，连续检测和区分受损和正常沙门氏菌得到了验证（图1）。这项工作可以推进受损沙门氏菌的连续、非破坏性监测，并符合AOAC和FDA关于使用受损沙门氏菌细胞进行沙门氏菌检测方法验证的建议。

材料与化学品

二甲基砜、甲基橙、二氧化硅纳米粒子（NP；80 nm；浓度为10 mg/mL的水溶液）和金纳米粒子（20 nm；浓度为0.1 mM的磷酸盐缓冲盐水（PBS）购自Fisher Scientific Co., Ltd.（美国新罕布什尔州汉普顿）。4,4'-偶氮二苯胺、溴酚蓝、溴、氯酚红、2-甲氧基乙醇、甲基红、硝嗪黄、对罗莎苯胺、对甲苯磺酸和四丁基氢氧化铵购自Acros Organics（美国新泽西州费尔劳恩）。锌（II）

敏感纳米粒子（NP）的选择

制备了金纳米粒子、二氧化硅纳米粒子和沸石纳米粒子增强型纸基显色阵列传感器（NP-PCAs），以评估它们检测和区分受损和正常沙门氏菌的能力。为了评估这三种类型NP-PCAs的能力和灵敏度，使用它们在PBS中检测了三种不同浓度的沙门氏菌（大约6、3和1 log CFU/mL）。NP-PCAs产生的比色响应被数字化并使用主成分分析（PCA）进行评估。

结论

本研究开发了一种基于机器学习的纳米粒子增强型纸基显色阵列传感器（ML-NP-PCA）方法，用于连续检测和区分花生酱中的正常和受损沙门氏菌。即使在背景微生物群的干扰下，ML-NP-PCA方法在室温下1至48小时内的检测准确率也超过了90%，并且能够在1小时内检测到正常和受损的沙门氏菌细胞。这些结果展示了该方法的潜力。

CRediT作者贡献声明

詹嘉（Zhen Jia）：撰写原始草稿、方法论设计、数据分析、数据管理。 艾玛·格蕾丝·霍利迪（Emma Grace Holliday）：撰写原始草稿、数据分析。 伊丽莎白·凯瑟琳·唐（Elizabeth Catherine Tang）：数据分析。 海莉·布林·鲁索（Haley Brynn Russo）：数据分析。 托马斯·R·鲁特斯（Thomas R. Rootes）：撰写原始草稿、方法论设计。 罗亚光（Yaguang Luo）：撰写、编辑、方法论设计、资金获取、概念构思。 余恒勇（Hengyong Yu）：撰写、编辑、方法论设计、资金管理。

资金来源

本研究得到了美国农业部国家食品与农业研究所（US Department of Agriculture, National Institute of Food and Agriculture）的资助，项目编号为2021–67,021-39,520，以及佛罗里达大学食品与农业科学研究所的启动资金支持（项目编号：7003266和NRS项目编号：FLA-FOS-006251）。

未引用的参考文献

CDC，2014 CDC，2015 CDC，2022 CDC，2024 CDC，2025 Jia等人，2024 Jia等人，2024 Kosuge, Kubo, Kikukawa和Takemori，2007 Miller, Tate, Mallinson和Scherrer，1991 Xie等人，2021