《Microchemical Journal》：Deep learning of fluorescence signals for biofluorophore identification and quantification
编辑推荐：
实时监测生物气溶胶的关键技术在于突破传统方法的长检测时间和试剂依赖性限制。本研究开发双波长荧光检测-AI融合平台，通过405nm/450nm激发捕获毫秒级荧光时序信号，LSTM网络解析非线性淬灭（核黄素）、线性发射（NADH）和稳定响应（荧光微球）特征，实现95%核黄素分类准确率及92.3% NADH浓度预测精度（R2=0.87）。该集成系统结合低成本硬件与数据驱动建模，为无试剂实时生物监测提供新范式。
周雷|陈一凡|杨硕|李阳|戴宁
中国科学院杭州高等研究院物理与光电工程学院，中国杭州310024
摘要
实时监测生物气溶胶对公共卫生和工业安全至关重要，然而传统方法仍受检测时间长和依赖试剂的限制。本研究提出了一个集成的光-人工智能荧光检测平台，该平台利用双波长（405 nm和450 nm）激发下的生物分子固有荧光，并结合光电倍增管（PMT）进行信号采集。选择核黄素、NADH和荧光微球作为代表性分析物，研究了它们的浓度依赖性荧光行为，发现核黄素在浓度约为10 mg/L时表现出非线性猝灭现象，NADH具有线性发射特性，而荧光微球的强度响应稳定。开发了一个长短期记忆（LSTM）网络来解释时间序列荧光信号，对核黄素的分类准确率达到95.0%，对NADH和荧光微球的同时分类及浓度预测准确率为92.3%（R2=0.87，RMSE=2.82 mg/L）。将光学仪器与深度学习相结合，实现了快速、无试剂且智能的荧光传感，为实时生物气溶胶监测、环境诊断和下一代生物传感器的发展提供了有前景的途径。
引言
空气中的生物气溶胶与呼吸道疾病传播、公共卫生监测和环境质量评估密切相关[1]、[2]、[3]。COVID-19大流行后，全球对气溶胶传播和实时监测技术重要性的认识显著提高，从而推动了更快、更灵敏且更具成本效益的在线检测方法的需求[4]、[5]、[6]。虽然基于培养的检测方法和免疫学方法具有高度特异性，但它们需要繁琐的样品预处理和化学试剂，这使得它们耗时且不适合连续在线监测[7]、[8]。相比之下，固有荧光作为一种快速且无需标记的检测策略脱颖而出[9]、[10]、[11]。典型的内源性荧光团，包括核黄素、烟酰胺腺嘌呤二核苷酸（NADH）和芳香氨基酸，在特定激发波长下表现出特征性的荧光发射，能够实时识别颗粒并评估其浓度[12]、[13]。
尽管具有这些优势，固有荧光系统的实际应用仍受到一些技术挑战的制约。高端紫外激发仪器（如UV-LIF系统）成本高昂、体积庞大且难以维护[14]、[15]，这限制了它们的便携性和现场适用性。在复杂或混合的生物气溶胶环境中，光谱重叠和宽带发射积分通常会降低分类的准确性。此外，高浓度下的动态时间波动和非线性现象（如荧光猝灭）难以通过单点强度测量或手动提取的光谱特征来捕捉[16]、[17]、[18]。这些问题突显了需要数据驱动的分析框架来充分利用荧光信号的时间序列特性。
深度学习的最新进展为解决这些限制提供了新的机会[19]。循环神经网络（RNN），特别是长短期记忆（LSTM）架构，非常适合建模序列数据[20]、[21]，因为它们可以直接从原始时间序列输入中自动学习长期依赖性和非线性动态。与传统回归或手工特征提取方法相比，这些模型提供了端到端的表示学习，有效捕捉了多变量相关性和复杂信号行为，在噪声和非平稳条件下具有更好的鲁棒性。最近的研究表明，机器学习辅助的传感技术（如用于复杂基质中精确检测化学分析物的双模式荧光-比色传感器[22]）可以通过捕捉复杂的数据模式显著提高分析性能。基于这些成功，建议类似策略可以有效地应用于荧光波形解释，特别是用于解析生物气溶胶的快速时间动态[23]。
为应对这些挑战，我们开发了一个低成本且可集成的生物气溶胶检测平台，该平台结合了简化的光学仪器和基于深度学习的时间分析。该系统使用405 nm和450 nm的双半导体激光二极管进行激发，在光谱特异性、紧凑性和经济性之间取得了实际平衡。高灵敏度的光电倍增管（PMT）与定制的采集电路配合使用，记录毫秒级分辨率的荧光波形，而超声波雾化器提供了稳定的气溶胶入口以实现可控测试。选择核黄素、NADH和荧光微球作为代表性荧光团，以评估非线性猝灭和线性发射特性。实现了两个互补的长短期记忆（LSTM）模型：一个用于核黄素的单任务分类器，以捕捉非线性响应行为；另一个多任务网络用于NADH和荧光微球，以实现从原始时间序列信号的同时分子识别和浓度预测。然而，除了展示固有荧光传感的技术可行性外，这项研究还强调了将光学仪器与人工智能相结合的更广泛意义。所提出的框架说明了如何直接利用传统上被静态光谱分析忽视的时间序列荧光动态，进行智能、无试剂的生物气溶胶监测。通过结合低成本硬件和数据驱动的建模，该平台为分布式实时传感网络奠定了可复制的基石。这项工作建立了一个与深度学习集成的双波长荧光传感框架，为实时、无试剂的生物气溶胶监测提供了可行的途径。
材料
材料
选择了三种代表性的荧光材料来表征典型生物荧光团的荧光响应行为。核黄素（维生素B?）和烟酰胺腺嘌呤二核苷酸（NADH，纯度≥98%，ACOOLBJC，中国）分别作为表现出非线性和线性响应特性的内源性荧光团。荧光微球（基于单分散聚苯乙烯，直径1 μm，浓度25 mg/mL， Zhichuan Technology，中国）被用作稳定的
系统表征
首先对开发的荧光检测平台进行了严格表征，以验证其光学性能、稳定性和信号可靠性。
光学检测模块采用黑色3D打印聚合物制造，具有坚固的机械刚性和有效的电磁及环境光屏蔽效果。该模块集成了三个核心功能子系统：气溶胶生成和输送单元、双波长激发通道以及
结论
本研究提出了一个集成的双波长荧光传感和深度学习框架，用于无试剂地识别和定量代表性生物荧光团。通过捕获毫秒级分辨率的时间荧光波形并利用基于LSTM的序列建模，所提出的方法有效利用了动态发射信息，超越了静态强度测量的局限。
CRediT作者贡献声明
周雷：撰写——原始草稿、方法论、研究、正式分析、数据管理。陈一凡：正式分析。杨硕：监督、资源管理、项目管理。李阳：撰写——审阅与编辑、监督、资源管理、项目管理。戴宁：资源管理、项目管理。
利益冲突声明
作者声明以下可能被视为潜在利益冲突的财务利益/个人关系：李阳报告称获得了杭州高等研究院和中国科学院的支持。如果还有其他作者，他们声明没有已知的可能会影响本文工作的财务利益或个人关系。
致谢
本研究得到了浙江省自然科学基金（LHZSZ26E020004）、中国科学院杭州高等研究院研究基金（2024HIAS-Y008）以及Keysensing Corp.（B025F40624021）的支持。
