《Biosensors and Bioelectronics: X》：Integration of Dual-Emission Fluorescent Nanosensor and Machine Learning for Simultaneous Detection of Dopamine and Homovanillic Acid
编辑推荐：
本研究针对神经递质多巴胺(DA)及其代谢物高香草酸(HVA)同步检测的难题，开发了一种基于红色量子点猝灭的比率型荧光探针，结合机器学习算法实现了尿液中DA和HVA的高精度识别与定量，为神经系统疾病的早期诊断提供了新方法。
在大脑的复杂化学世界中，多巴胺(Dopamine, DA)扮演着关键角色，它如同一位精准的指挥家，调控着我们的情绪、奖励系统和运动功能。然而当这位指挥家"失常"时——无论是"消极怠工"导致多巴胺分泌不足，还是"过度活跃"造成分泌过量，都会引发一系列严重的健康问题。多巴胺不足与帕金森病的肌肉僵硬、震颤密切相关，而过量则可能与精神分裂症等疾病相关联。更复杂的是，多巴胺在体内会代谢转化为高香草酸(Homovanillic acid, HVA)，这种代谢物本身也是神经母细胞瘤等疾病的重要指标。
传统的检测方法如液相色谱、电化学分析等虽然灵敏度高，但往往操作复杂、耗时耗力，且难以实现DA和HVA的同时区分检测。这就好比想要同时监听两个频率相近的电台信号，传统设备总是会产生干扰。特别是在复杂的生物样本如尿液中，其他物质如尿酸(UA)的干扰更是让准确检测雪上加霜。
面对这一挑战，来自伊朗谢里夫理工大学的研究团队在《Biosensors and Bioelectronics: X》上发表了一项创新研究，他们巧妙地将纳米技术与人工智能相结合，开发出一种智能型荧光传感器，成功实现了对DA和HVA的"一键式"区分检测。
该研究的核心技术方法包括：1）合成具有红色荧光的谷胱甘肽包裹的?化镉量子点(CdTe QDs)和蓝色荧光氮掺杂碳点(N-doped CDs)，构建双发射比率荧光传感系统；2）利用尿液样本进行方法验证，通过标准加入法评估在实际生物基质中的检测性能；3）结合主成分分析(PCA)和线性判别分析(LDA)进行模式识别，使用偏最小二乘回归(PLSR)建立定量分析模型。
2.1. 设计的比率探针原理
研究人员利用DA和HVA在碱性条件下可被氧化成醌类化合物的特性，发现这些氧化产物能够选择性地猝灭红色量子点的荧光。而蓝色碳点作为内标则保持荧光稳定，这种"此消彼长"的荧光变化形成了比率型检测的基础。当传感器遇到不同浓度的DA或HVA时，溶液会显示出从品红色到蓝色的可识别颜色渐变，实现了"肉眼可见"的初步判断。
2.2. 比率荧光探针的响应
实验表明，在没有氢氧化钠(NaOH)的情况下，DA和HVA对量子点几乎没有猝灭作用。而一旦加入NaOH创造碱性环境，量子点的红色荧光就会发生显著猝灭，同时碳点的蓝色荧光保持稳定。这种特异性响应证实了氧化过程在检测机制中的关键作用。
2.3. 传感策略
机理研究表明，量子点荧光的猝灭主要是通过电子转移过程实现的：DA和HVA的氧化产物作为电子受体，能够接受来自量子点的电子，从而导致荧光猝灭。动态光散射(DLS)实验排除了量子点聚集的可能性，而吸收光谱分析则否定了内滤效应(inner filter effect)的干扰。
2.4. 实验条件优化
通过系统优化实验条件，研究人员确定了最佳检测参数：量子点体积65μL、磷酸盐缓冲液pH 5.8、NaOH浓度5.0mM、反应时间10分钟。这些优化条件确保了传感器达到最佳检测性能。
2.5. 比率荧光探针的性能
传感器在DA浓度0.025-20μg mL-1和HVA浓度0.060-20μg mL-1范围内均表现出良好的响应。值得注意的是，由于HVA分子中含有羧酸基团，其猝灭能力比DA更强，这种差异为区分两种物质提供了重要依据。
2.6. 模式识别分析用于DA和HVA的识别
结合机器学习算法，研究人员建立了线性判别分析(LDA)模型，成功将DA、HVA及其混合物分为三个 distinct 类别，交叉验证准确率达到100%。这意味着传感器能够像经验丰富的侦探一样，准确识别出样本中究竟含有哪种物质或是两者的混合。
2.7. 回归分析用于DA和HVA的定量
偏最小二乘回归(PLSR)模型显示，传感器在DA检测范围2.76-20μg mL-1和HVA检测范围3.09-20μg mL-1内均呈现良好的线性关系，检测限分别为0.92μg mL-1和1.03μg mL-1，这一灵敏度完全满足临床检测需求。
2.8. 混合样品分析
即使在DA和HVA共存的情况下，传感器仍能准确区分不同浓度的混合样品，LDA模型对五种不同浓度混合样本的分类准确率均达到100%，展现了其在复杂实际样本中的强大应用潜力。
2.9. 人尿中的多重传感
在最关键的实际应用验证中，传感器在含有多种干扰物质（如尿酸、尿素、抗坏血酸等）的尿液样本中，依然能够准确识别和定量DA和HVA。这一结果证明了该方法在面对真实生物样本复杂基质时的鲁棒性和可靠性。
4. 结论
这项研究成功开发了一种基于量子点猝灭的比率型荧光传感器，结合机器学习算法，首次实现了对DA和HVA的同时区分检测。该方法不仅操作简便、成本低廉、响应快速，更重要的是能够在复杂的尿液基质中保持高准确性和特异性，为神经系统疾病的早期诊断提供了一种强有力的新工具。特别是在医疗资源相对匮乏的地区，这种能够实现"肉眼初步判断"的检测方法更具实用价值，有望在未来的个性化医疗和疾病筛查中发挥重要作用。
研究的创新之处在于将纳米材料的独特光学性质与人工智能的数据处理能力完美结合，既利用了比率荧光检测的直观性，又借助机器学习算法克服了传统方法在复杂样本中识别能力不足的局限。这种"硬件"（传感器）与"软件"（算法）的协同创新模式，为未来生物传感技术的发展提供了新的思路和方向。
