编辑推荐：
抗生素残留检测面临传统方法灵敏度低、实时性差等问题，本研究提出量子增强支持向量分类器（QSV-BO）结合碳量子点（CQD）生物传感器，通过量子特征映射与Barber优化动态调整参数，实现多环境条件下高精度检测（准确率97.1%-96.6%）。
Aarav Kannan Jayakumar | R. Rajalakshmi
生物医学工程系，SRM科学技术学院，金奈 600089，印度
摘要
水生生态系统中的抗生素污染对生态和健康构成了重大威胁。传统的色谱和光谱检测方法成本高昂、耗时较长，并且缺乏实时适应性。因此，迫切需要快速、灵敏且智能的检测系统。现有的生物传感方法虽然能够适应多种环境条件，但往往缺乏紧凑性和灵敏度；而目前的机器学习模型在生物传感器信号解释方面的表现也不稳定。为了解决这些问题，本文开发了一种基于量子增强支持向量分类器（QSV-BO）的方法，该方法结合了碳量子点（CQD）生物传感器、量子计算和元启发式优化技术来检测抗生素残留物。QSV-BO通过量子核的超参数调整来增强多维特征空间中的决策边界。该框架结合了量子特征映射以改善特征表示，并利用Barber优化算法实现高效参数搜索、泛化处理以及在复杂水生信号数据中的灵敏度控制。数据集包含了不同浓度和环境因素下的信号变化组合，并通过有限的真实传感器数据来提高模型的鲁棒性。输入特征经过最小-最大归一化处理以实现统一缩放和增强稳定性。量子核计算提高了信号的可分离性，而Barber优化则实时调整支持向量和量子电路参数。数据处理、建模和评估使用了Python和TensorFlow框架。QSV-BO模型对环丙沙星、阿莫西林、红霉素和四环素的检测准确率分别达到了97.1%、96.3%、95.4%和96.6%，同时具备抵抗环境噪声和变化的能力。总体而言，这一混合系统为水生环境中抗生素残留物的智能检测提供了一种可扩展、适应性强且精确的解决方案。
引言
过去十年的研究表明，地表水、饮用水、地下水和沉积物中的抗生素浓度普遍较高。即使在慢性亚治疗水平下，自然水系统中存在抗生素也会令人担忧，因为这些物质会降低微生物多样性，增加耐药基因的数量，并对鱼类和藻类等水生生物的健康产生负面影响。根据世界卫生组织（WHO）的数据，到2050年，抗生素耐药性细菌感染可能成为全球主要的死亡原因之一，超过许多其他主要死亡原因，使得抗菌素耐药性（AMR）成为一个严重的全球性问题[1]。
抗菌素耐药性的增加降低了抗生素的治疗效果，而这些抗生素对于治疗人类和动物的细菌感染至关重要，同时也增加了手术的风险。由于废水条件和持续暴露于亚抑制剂水平的抗菌剂会促进耐药基因（ARGs）和耐药细菌（ARBs）的生长，水系统成为了这些细菌形成的热点。污水中的耐药微生物浓度高于未受污染的水体，这表明人类活动对微生物耐药性的形成起到了重要作用。因此，水生环境中残留的抗生素会导致环境和公共卫生问题[2]。药物径流、废水排放以及不当的药物处理是抗生素进入淡水系统的主要途径。由于集约化水产养殖、农业和人类医疗的广泛使用，水生环境受到了严重污染[3]。水产养殖因其高细菌多样性和抗生素使用而成为抗菌素耐药性传播的“遗传热点”，而污水处理厂和工业设施也会将抗生素排放到地表水和地下水中。畜牧业产生的径流也会引入抗生素，从而加剧了生态和公共卫生风险[4]。
尽管传统抗生素检测技术被广泛使用，但它们存在许多缺点。液相色谱-质谱（LC-MS）在低分析物浓度时难以实现准确定量，导致假阴性结果增加；质谱技术需要较大的初始投资和强大的基础设施。虽然侧向流动免疫测定法可以实现快速检测，但如果需要预处理（如稀释、纯化或缓冲液修改）则可能会延迟检测结果。这些限制凸显了开发更先进检测技术的必要性，以便尽早发现抗生素残留物[5]。
电化学生物传感器是实用的替代方案，因为它们价格低廉、便携且易于使用。它们可以实时测量污染物浓度，并基于可测量的电信号转换进行检测。这些传感器在健康和环境监测中具有广泛应用，能够检测细菌、病毒、抗生素、杀虫剂和药物等。快速可靠的检测对于公共卫生和环境监测至关重要[6]。
碳量子点（CQDs）具有出色的光致发光性能、低毒性和生物相容性，额外的功能化处理可以提高其与目标分析物的兼容性。CQDs可以采用多种方法检测多种污染物，包括电化学检测、吸附消除法和荧光淬灭法。CQDs是理想的纳米材料，适用于复杂混合物中的快速、灵敏和准确检测（例如在更高级的生态或生理应用中）[7]。
生物传感平台认为碳点（CDs）作为下一代荧光探针具有显著优势，因为它们具有高水溶性、高量子产率和生物相容性以及可调的荧光特性。零维碳基材料利用电子转移（ET）、聚集诱导发射（AIE）、聚集引起的淬灭（ACQ）、荧光共振能量转移（FRET）和内滤光效应（IFE）等多种机制，能够实现对多种分析物的复杂和区分性分析。由于更好的发光性能、低毒性和经济合成成本，CQDs在食品保存、生物医学诊断和环境监测中的应用得到了改进[8],[9]。
尽管目前的研究主要集中在少数几种已知物质上，但关于水生生态系统中药物污染物的研究正在扩展。尽管阿奇霉素被广泛使用，但对其环境命运、检测方法和生态毒性危害的关注却很少。现有的监测方法往往缺乏对大环内酯类抗生素及其代谢产物、耐药性诱导潜力的特异性，对其存在情况、检测难度、生态持久性和潜在后果的评估也相对不足[10],[11]。
快速准确的抗生素分析面临诸多障碍。复杂的基质和众多干扰成分会降低灵敏度和准确性。食品或水样中的抗生素含量通常不足以直接检测，且容易受到环境因素的影响而发生变化。这些因素使得精确识别和定量变得更加困难，因此在水生系统中迫切需要先进的检测技术[12]。
本研究重点开发了一种基于量子增强支持向量分类器（QSV-BO）的方法，利用CQD生物传感器智能检测抗生素残留物。该方法结合了量子特征映射和元启发式优化，实现了动态超参数调整，从而在变化的水生环境中提高了灵敏度和检测质量。本研究的主要贡献包括：
量子增强分类： 新设计的量子增强支持向量分类器（QSV）利用量子核映射来增强特征区分能力和决策准确性。
自适应优化机制： Barber优化（BO）是一种动态的超参数调整和优化技术，提高了模型在水生环境中的泛化和鲁棒性。
混合信号整合： 本研究将多种数据源（荧光、电化学和环境数据）整合到一个混合数据集中，以增强抗生素残留物检测模型的相关性和灵敏度。
高性能验证： 对回归和分类准确性（RMSE、R2和F1分数）进行了质量验证，证明了模型的鲁棒性及其适应噪声和数据差异的能力。
后续章节的安排如下：第1节介绍抗生素污染及其生态影响，第2节回顾了现有的检测和机器学习研究，第3节详细介绍了QSV-BO方法，包括数据收集和数据准备，第4节提供了实验设置和结果，第5节讨论了可能的分析解释，第6节总结了主要发现和未来发展方向。
相关研究
为了提高环境监测中多种污染物的检测能力，一种新方法结合了深度学习（DL）技术（基于卷积神经网络（CNN）的长短期记忆（LSTM）注意力机制和氮掺杂的CQD（N-CQDs），如[13]所述。采用水热技术制备了尺寸一致、量子产率为42±6%的N-CQDs。通过带有注意力机制的混合CNN-LSTM模型对荧光光谱进行了评估
方法论
本研究采用了一种多模态计算实验方法，结合量子机器学习和CQD生物传感技术来准确检测水生环境中的抗生素残留物。对环境、电化学和荧光信号进行最小-最大归一化处理，以保持数值稳定性和特征缩放。
结果
研究结果集中在实验设置、测试方法和QSV-BO框架的评估结果上。研究发现，该方法的检测准确性较高，信号分析结果也有所改进，在不同水条件下实现了抗生素残留物的准确分类，显示出智能监测和环境评估的高灵活性、鲁棒性和计算效率。
讨论
为了提高抗生素残留物识别的准确性，增强水生数据的特征表示，并实现动态、高灵敏度的污染监测，本研究开发了一个基于QSV-BO的量子机器学习框架。尽管基于cGCN/AuNP的电化学生物传感器在SARS-CoV-2检测中实现了0.8 fM的超高灵敏度（LOD），但在实际样本可靠性、长期稳定性和其他方面仍存在挑战
结论
研究表明，基于QSV-BO模型的量子增强混合系统提高了抗生素残留物的检测能力，增强了环境监测的准确性，并通过CQD传感器实现了对异质水环境中污染的适应性评估。传感器数据结合了荧光、电化学和环境参数，以反映不同水生环境的特点。预处理过程中使用了最小-最大归一化，确保所有数值的准确性
CRediT作者贡献声明
Aarav Kannan Jayakumar： 负责撰写初稿、项目管理、方法论设计、研究实施、资金获取、数据分析、概念构思。
R. Rajalakshmi： 负责审稿和编辑、数据可视化、验证工作以及监督和资源协调。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的研究结果。
