《Sensors and Actuators B: Chemical》：Portable machine learning–integrated optical sensor array for rapid and selective detection of authentic Novichok nerve agents
编辑推荐：
诺维乔克神经毒剂快速检测：开发了一种基于商用荧光染料的机器学习集成光学传感器阵列，通过可见和紫外光成像数据实现便携式检测，在10-500 μM范围内实现四种毒剂的100%分类准确率，检测限约10 μM。
申明植|姜奎|金正允|金秀焕|尹朱|尹正章|金民坤|埃里克·V·安斯林|李斗熙
韩国首尔CBRN防御研究所，邮编06796
摘要
诺维乔克神经毒剂的故意释放是21世纪最严重的化学安全威胁之一。传统的检测技术，如气相色谱-质谱法、离子迁移谱法和傅里叶变换红外光谱法，需要复杂的仪器和受控设施，这限制了它们在快速现场监测中的应用。在这里，我们介绍了一种集成机器学习的比色光学传感器阵列，该阵列使用市售染料，能够在便携式设备中快速且选择性地检测多种真实的诺维乔克毒剂。通过结合可见光和紫外光下的比色成像数据以及监督学习，我们确定了一种优化的四染料阵列，能够在微摩尔浓度下以100%的准确率区分四种诺维乔克毒剂。分析工作范围为10–500 μM，检测限约为10 μM（根据信噪比分析得出）。重要的是，该平台仅需要少量的样品体积、廉价的试剂以及简单的光学读数设备（可以通过智能手机获取），这凸显了其在实际应用中的潜力。据我们所知，这项工作首次展示了能够准确检测诺维乔克毒剂的传感器阵列，并为未来的化学威胁监测和防御导向的传感技术研究建立了基准数据集。
引言
诺维乔克神经毒剂是最致命的化学武器之一，对公共健康和全球安全构成重大威胁[1]、[2]、[3]。这些有机磷化合物通过不可逆地抑制乙酰胆碱酯酶[4]来发挥其毒性作用，导致胆碱能神经系统过度兴奋，可能在暴露后几分钟内造成致命后果。自从诺维乔克毒剂被列入《化学武器公约》第一附表，并在索尔兹伯里袭击等事件中被证实使用[5]、[6]以来，人们迫切需要不仅高度敏感和选择性强的检测技术，而且这些技术还需要快速、可靠，并能在实际场景中部署[7]。值得注意的是，尽管之前的研究依赖于模拟物或单一毒剂系统[8]、[9]、[10]、[11]、[12]、[13]，但本研究首次使用机器学习支持的光学传感器阵列验证了诺维乔克毒剂的检测能力。这一突破凸显了我们方法在化学安全领域的变革潜力。
目前用于检测化学武器的方法，包括气相色谱-质谱法（GC-MS）、离子迁移谱法（IMS）和傅里叶变换红外光谱法（FT-IR），在分析上非常稳健，但在广泛部署方面仍不实用[14]、[15]。这些传统方法需要昂贵的仪器、耗时的样品制备以及受过培训的专业人员，因此无法用于快速或实时的现场监测[16]、[17]。对于诺维乔克毒剂而言，由于其低挥发性和复杂的结构，这些问题更加突出，常常降低灵敏度并增加与结构相似的有机磷农药发生交叉反应的风险[2]、[18]、[19]。鉴于诺维乔克毒剂的低挥发性（通常以持久性油状液体或残留物的形式存在，而不是气态蒸汽[2]，并且其环境持久性甚至超过经典持久性毒剂如VX[20]，我们采用了液相传感策略。这种方法确保了持久性毒剂与染料探针之间的直接分子接触，在蒸汽相浓度不足以进行检测的情况下最大化了比色响应的灵敏度和可靠性。虽然在受控实验室环境中这些方法表现稳健，但它们无法满足对便携式、普及型化学威胁检测的迫切需求[7]、[17]。此外，我们使用廉价的商业染料和智能手机读数设备，直接解决了这一难题，降低了实际安全和防御应用中的采用门槛。
酶促、比色和荧光传感器在检测沙林（GB）、塔布恩（GD）和O-乙基S-(2-二异丙基氨基乙基)甲基硫磷酯（VX）等经典神经毒剂方面取得了令人鼓舞的进展[17]、[21]、[22]。然而，这些方法主要局限于模拟物或单一毒剂的检测，通常无法在现实环境基质中区分诺维乔克毒剂与其他结构相似的有机磷化合物[9]。这一持续存在的局限性凸显了需要一种根本不同的传感策略来应对诺维乔克检测的独特挑战。
准确检测诺维乔克毒剂的基本挑战在于设计出既具有高选择性又具有实际现场应用性的传感器。传统的单一传感器范式受到其分析范围狭窄和易受结构相似干扰化合物干扰的负面影响[10]、[23]。这些持续存在的局限性强调了需要多通道、集成机器学习的传感策略，以便在复杂环境中实现稳健且具有区分能力的化学威胁识别。
据我们所知，这项研究首次展示了直接使用真实诺维乔克毒剂验证的机器学习支持的光学传感器阵列（图1），展现了超越以往单一传感器方法的独特能力。如图2所示，我们的工作流程结合了系统的染料筛选和多变量分析，建立了一个便携且经济高效的框架，实现了实时、可靠的化学威胁检测[11]、[12]、[24]、[25]。
染料选择和化学品
最初的29种染料库经过系统筛选，以最大化化学和光物理多样性[13]、[26]，确保对诺维乔克毒剂有广泛的交叉反应能力。选择染料时考虑了四个主要结构因素：（1）芳香性和疏水性（例如蒽和芘），以便与庞大的胺侧链发生π相互作用；（2）使用阳离子（例如藏红花红O）和阴离子（例如伊红Y）染料来探测极性
荧光染料对诺维乔克毒剂的比色响应
检测系统使用了四种化学结构不同的诺维乔克毒剂（A-230、A-232、A-234、A-242）进行评估（图1）。这些结构变体在取代基团和极性上有所不同，为阵列的区分能力提供了严格的测试。29种荧光染料在不同浓度（0、10、50、100、500 μM）下系统暴露于可见光和紫外光下，产生了多样的比色响应（图3a,b）。
在可见光下，几种染料
化学相互作用机制和选择性
优化后的四染料传感器阵列之所以具有出色的区分能力，归功于荧光染料与每种诺维乔克毒剂独特结构特征之间的多样化化学相互作用。我们平台的基石是阵列生成的数据驱动模式识别，而不是单一探针的特定锁钥式相互作用。选定的四种染料（基于蒽的、基于芘的、中性红等）
结论
本研究成功开发了一种使用29种荧光染料的传感器阵列，用于检测不同浓度的诺维乔克毒剂。优化的传感器阵列由四种选定的染料组成，能够以1.000的准确率有效分类四种诺维乔克毒剂，显示出卓越的可靠性和性能。同时使用可见光和紫外光条件增强了传感器的检测能力，显著提升了实时化学威胁检测的水平。
此外，
CRediT作者贡献声明
申明植：撰写——原始草稿、方法论、数据整理。姜奎：撰写——审阅与编辑、概念构思。金正允：撰写——审阅与编辑、软件开发、方法论。金秀焕：方法论、数据整理。尹朱：方法论、数据整理。尹正章：撰写——审阅与编辑、验证。金民坤：撰写——审阅与编辑、项目管理。埃里克·V·安斯林：撰写——审阅与编辑、监督、资金获取。
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：埃里克·V·安斯林表示获得了Welch基金会的财务支持。如果还有其他作者，他们声明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。
作者声明没有已知的财务利益或个人
致谢
本研究在韩国国防部的支持下进行。E.V.A. 感谢Welch基金会通过Welch Regent Chair项目提供的财务支持（F-0046）。M.-K.K. 还感谢明知治大学2025年研究基金的支持。
申明植毕业于韩国首尔国立大学，获得分析化学硕士学位。他目前是CBRN防御研究所的研究员，研究兴趣包括光谱分析和可现场部署的化学传感器的开发。
