综述：人工智能辅助的表面增强拉曼散射传感技术实现了有效的现场分析

《Talanta》：Artificial intelligence assisted surface enhanced Raman scattering sensing achieves effective on-site analysis

本文系统综述SERS-AI技术在现场检测中的应用，提出通过快速预处理减少基质干扰，优化增强基底设计提升信号强度，结合AI算法实现高效数据处理与智能分析，拓展了环境监测、食品安全和医疗诊断等领域的应用前景。

　　

梅宇茜|刘春风

山东大学环境科学与工程学院，山东环境过程与健康重点实验室，中国青岛，266237

摘要

表面增强拉曼散射（SERS）技术凭借其高灵敏度、优异的选择性、强大的环境适应性和便携式的无损检测特性，能够在无需复杂样品预处理的情况下实现快速现场分析，使其成为现场检测的理想选择。然而，复杂的基质干扰和大量数据的产生限制了其更广泛的应用。人工智能（AI）的引入为优化SERS基底设计和提高光谱分析准确性提供了创新解决方案。本综述系统总结了基于SERS-AI的现场检测和分析技术的最新进展。首先，讨论了在样品基质和测试环境干扰下目标信号获取的关键问题，并通过快速预处理方法优化了信号获取过程，提高了基底与目标分子之间的特异性亲和力。其次，介绍了如何改进SERS基底材料的设计，特别是增强热点质量，以实现更强的SERS信号增强效果，并讨论了适用于现场检测的便携式SERS基底的开发。在智能化方面，展示了如何将AI集成到SERS基底合成过程中，利用机器学习算法优化制备过程，并将便携式拉曼光谱仪与SERS-AI系统结合，以实现高效的预处理和拉曼光谱数据的定性与定量分析。最后，通过实例说明了SERS-AI技术如何应用于环境监测、食品安全控制和医疗诊断领域。本综述旨在为促进SERS-AI技术在领域分析中的广泛应用提供全面的理论支持和技术参考。

引言

表面增强拉曼散射（SERS）是一种超灵敏的振动光谱技术，用于检测等离子体纳米结构表面或附近的分子，极大地扩展了标准拉曼光谱的应用范围[1]。SERS的理论已得到广泛研究，感兴趣的读者可以参考已发表的几篇优秀综述和书籍[[2], [3], [4], [5]]。它主要包含两种机制：电磁增强和化学增强[6]。根据电磁增强机制，分子的拉曼信号强度与分子所在电场强度的平方成正比，可以使分子的拉曼信号增强10^6到10^8倍[7]。化学增强机制主要指分子与金属纳米结构之间的相互作用，如化学配位或电荷转移，可以使分子的拉曼信号增强10到100倍[8]。这两种增强机制通常在SERS系统中共存，其中电磁机制起主导作用。经过50年的发展，SERS已从一种基础分析技术发展成为学术研究中的主流工具，特别是在生物化学和生命科学领域。作为拉曼光谱技术的扩展分支，拉曼光谱仪的便携性得到了显著提高，从精密复杂的显微镜设备发展为简单的手持仪器，这极大地促进了SERS技术的深入发展。

在环境监测、食品安全和公共安全等领域，对实时准确的现场分析需求正在迅速增加。迫切需要高度灵敏和特异性的现场分析技术，以实现从被动响应向主动预防和控制的转变。这些技术对于快速识别环境紧急事件中的污染源、检测食品和药品中的非法添加剂和有害残留物，以及在公共安全场景中对高风险物质（如危险化学品和爆炸物）进行实时筛查至关重要。尽管有许多用于现场识别和检测的分析方法，如荧光[9]、近红外（NIR）光谱[10]、激光诱导击穿光谱（LIBS）[11]、离子迁移光谱（IMS）[12]、X射线荧光（XRF）[13]、比色法[14]、电化学方法和傅里叶变换红外（FTIR）光谱[15]，但理想的现场检测分析策略应易于使用，几乎不需要或完全不需要样品制备和预处理，允许快速无损分析，并能提供及时结果。相比之下，SERS在现场分析方面具有独特优势，包括高灵敏度和痕量检测能力、分子指纹特异性、设备便携性和多场景集成、无损检测以及强大的抗背景荧光能力，这使得SERS在现场分析中具有广泛的应用前景。

然而，SERS在现场分析中也存在局限性。例如，在实际检测中，拉曼光谱可能产生大量重叠峰，手动分析不仅劳动强度大且效率低，还容易出错，难以准确识别和分析。标准化流程有限，不同批次制备的SERS活性基底的纳米结构尺寸和形态难以完全一致。探索参数空间有限，SERS技术主要采用将实验与理论进行比较的工作流程模式，这限制了探索参数空间并增加了试错成本。因此，这些局限性推动了更高效方法的探索，AI的快速发展为此提供了一条可行的途径。在信号处理和分析方面，AI算法可以高效地进行去噪、基线校正和特征提取，解决复杂的光谱分析问题[16,17]。在基底设计和优化方面，AI的反向设计能力可以加速高性能SERS基底的开发。在构建分析方法方面，AI模型可以实现混合物的快速准确定性和定量分析[18,19]。SERS-AI组合的传感策略已经出现，并逐渐成为研究热点。

本综述系统讨论了基于SERS-AI的现场分析传感策略。具体而言，第二部分重点介绍了SERS光谱获取的关键点，系统解释了在复杂现场环境中目标分析物光谱提取的样品预处理和抗干扰策略。第三部分探讨了SERS信号的现场增强基底设计和优化策略。第四部分关注AI辅助的SERS数据现场读取。第五部分回到实际应用场景，深入分析了SERS-AI技术在环境污染物监测、食品安全快速筛查和实时医疗诊断检测中的典型案例。最后，提出了未来需要关注和探索的潜在挑战。

部分摘录

快速样品预处理以实现现场SERS检测

实现快速现场SERS信号获取具有挑战性，主要是由于样品基质的复杂性和来自不同测试环境的干扰。样品基质通常包含与目标分析物共存的多种物质。这些物质可能会与目标分析物竞争SERS基底上的活性位点，从而降低目标分析物的富集效率。或者它们自身产生的拉曼信号可能与目标信号重叠

提高SERS热点的质量

LSPR耦合效应显著增强了相邻纳米粒子之间的局部电场。先前的研究证实，二聚体和三聚体的SERS信号强度分别可以达到单体的16倍和87倍[48]。因此，增加热点数量可以显著增强SERS信号，这推动了SERS基底从零维结构向三维结构的演变。

AI辅助的目标分析物SERS数据现场读取

随着探测器性能的提高、半导体激光器的出现以及信号检测和处理技术的进步，便携式拉曼光谱系统得到了显著发展。便携式拉曼光谱仪的结构设计相对简单，主要由三部分组成：用于激发拉曼信号的小型半导体激光器、用于传导激发光和收集拉曼信号的拉曼探头以及微型光谱系统。

基于SERS-AI的现场传感策略的应用场景

AI可以高效处理和分析复杂的SERS光谱数据。在大量光谱数据上训练的机器学习模型可以准确识别分子或化合物的特征信号，显著提高检测效率和准确性。智能算法还可以通过优化纳米粒子的物理参数（如尺寸、形态和表面修饰）来指导SERS实验设计，以实现最佳的信号增强效果。

结论与展望

本文综述了基于SERS-AI的现场检测传感策略，包括在复杂基质中高效获取目标对象的SERS光谱、用于现场应用的SERS信号增强基底设计，以及基于AI的SERS数据实时智能分析。最终，上述传感策略使SERS-AI适用于许多应用场景，如环境监测、食品安全和医疗诊断。

SERS-AI技术确实展现了许多优势

CRediT作者贡献声明

梅宇茜：撰写——原始草案。刘春风：撰写——审阅与编辑。

利益冲突声明

“作者声明他们没有已知的财务利益或个人关系可能影响本文所述的工作。”

致谢

本工作得到了国家自然科学基金（42230706和42377428）和山东省自然科学基金（ZR2023YQ031）的财政支持。