从荧光成像到智能量化：一种基于机器学习增强型比率探针的自动化、智能化平台，用于检测食品样本中的Al3+

Al3?智能检测平台融合ratiometric荧光探针、智能手机成像与前馈神经网络算法，实现宽线性范围（0.1–100?μM）、低检测限（11.6?μg/kg）及快速响应（30?s），经720组RGB数据训练的FFNN模型预测相关系数达0.9970以上，成功应用于方便面中Al3?检测，回收率98.60%–102.2%，RSD<1.190%，结果与ICP-MS一致。

　　

徐刘|卜青辉|程正|黄晓伟|刘新芳|何向翔|张晓宇|冯迅|周丽娟

化学与化学工程学院，河南省功能导向多孔材料重点实验室，洛阳师范学院，中国洛阳471934

摘要

本研究通过集成比率荧光探针、智能手机成像和前馈神经网络（FFNN）算法，开发了一种用于检测Al³⁺的智能检测平台。该探针悬浮液在结合Al³⁺时表现出从橙色到绿色的明显荧光颜色变化，具有宽线性范围（0.1–100 μM）、高选择性、低检测限（11.6 μg/kg）和快速响应时间（30秒）。荧光图像通过简单的MATLAB程序处理以提取数字RGB值，然后输入三层FFNN中，在几分钟内预测Al³⁺浓度。该FFNN模型在包含720组RGB值的数据集上进行了训练，训练集、验证集和测试集的相关系数分别为0.9979、0.9973和0.9970，显示出优异的预测性能。该检测系统应用于淀粉面条中Al³⁺的检测，回收率达到98.60%–102.2%，相对标准偏差低于1.190%。且检测结果与标准ICP-MS方法的结果一致。本研究提供了一种用户友好、快速且有效的Al³⁺自动化智能检测平台，能够在无人条件下实现大规模样本的高通量分析。

引言

粉丝面和淀粉面条在许多地区被视为传统食品。在其工业生产中，常用明矾（KAl(SO₄)₂·12H₂O）作为食品添加剂，以改善其质地、弹性和韧性（Huang等人，2024年）。然而，过量摄入Al³⁺不仅会妨碍钙和铁等必需矿物质的吸收，还会对骨骼和神经系统造成长期危害（Aydin，2020年；Chatterjee等人，2016年）。世界卫生组织（WHO）建议的每周可耐受摄入量为每公斤体重2毫克Al（Zhang等人，2016年）。因此，迫切需要开发快速、高效且高灵敏度的Al³⁺检测方法来保护公众健康。

目前，有多种分析技术可用于检测淀粉面条中的Al³⁺，包括色谱法（Kongkiatpaiboon等人，2016年；Samy等人，2010年）、原子吸收光谱法（Costa等人，2023年）和电化学法（Cheng等人，2010年）。虽然这些方法在实验室分析中具有出色的灵敏度和精度，但受到高仪器成本、耗时分析过程和复杂样品制备程序的限制。相比之下，荧光探针因其操作灵活性、快速响应和相对简单的处理方式而受到越来越多的关注（Li等人，2026年；Rui等人，2017年；Sun等人，2021年）。

在荧光检测领域，传统的单发射探针仅依赖强度变化（增强或猝灭）来进行分析物定量，在实际应用中面临重大挑战，主要是因为它们容易受到pH值、温度和探针分布不均匀等环境因素的影响。相比之下，双发射比率探针通过内在的自校准机制提高了检测可靠性（Cui等人，2019年；Gan等人，2021年），并能够通过视觉上可区分的颜色变化实现现场分析（Lee等人，2015年）。此外，荧光试纸与基于智能手机的颜色识别应用程序的结合为现场分析提供了强大的平台（Zhao等人，2024年），解决了传统实验室仪器的便携性和操作复杂性问题。然而，专门为Al³⁺检测设计的比率荧光探针的发展仍然有限（Shen等人，2023年；Yang等人，2024年），其与基于智能手机的试纸平台的集成也尚未得到充分探索。

在数据分析方面，现有的荧光检测方法主要依赖传统数学模型通过标准校准曲线处理光谱数据并量化分析物浓度。然而，面对来自复杂样本的大量多样化数据时，这些方法在准确捕捉荧光信号与分析物浓度之间的非线性关系方面存在显著局限性，同时对背景干扰和噪声的鲁棒性不足（Yu等人，2023年）。机器学习（ML）作为人工智能（AI）的一个快速发展的分支，已成为解决这些限制的强大替代方案。在各种算法中，前馈神经网络（FFNN）在处理大规模分类和预测任务方面表现出特别的优势，因其模型简单、计算效率高和整体鲁棒性强。该算法能够有效建模复杂的信号-浓度关系（Long等人，2025年），同时自动补偿潜在干扰，从而提高预测准确性和分析可靠性（Janiesch等人，2021年）。基于FFNN的方法的优越性能使其成为现代科学中的重要工具。

基于这一基础，开发了一种集成比率荧光探针、基于智能手机的传感和机器学习的智能检测系统，用于准确和现场的Al³⁺检测（方案1）。这项工作的核心是使用2,5-二羟基丙二羧酸（H₂DHT）和2-(4-羧基苯基)咪唑[4,5-f]-1,10-菲罗啉（HNCP）作为配体，合成了一种双发射比率荧光探针（Eu-DHT/NCP），用于Al³⁺检测。该探针悬浮液具有高灵敏度和选择性、快速响应时间、宽线性范围以及在检测过程中从橙色到绿色的视觉颜色变化。随后将该探针固定在便携式试纸上，构建了一个基于智能手机的平台，实现便捷的信号采集和现场分析。此外，我们引入了FFNN算法，建立了一个智能模型，能够在几分钟内将荧光图像直接映射到Al³⁺浓度。这种集成的智能检测平台成功应用于淀粉面条样品中的Al³⁺检测，获得了令人满意的回收率和低相对标准偏差（RSD）值。结果与标准ICP-MS方法的结果一致。这项工作为快速食品安全监测提供了一种智能方法，展示了荧光传感、便携式平台和人工智能的强大协同作用。

实验部分

化学试剂、仪器和探针的详细信息见支持材料。所有使用的试剂均为分析级，无需进一步纯化。配体HNCP的合成方法类似于文献[22]中的描述。配体和探针的合成过程见支持材料。

Eu-DHT/NCP的结构表征

Eu-DHT/NCP的形态和形成通过多种分析技术进行了表征。扫描电子显微镜（SEM）图像显示其具有片状形态（图1a），粒径范围为0.96至2.3 μm，平均粒径为1.5 μm（图1b）。H₂DHT和HNCP的红外光谱显示CO伸缩振动分别在1740和1647 cm^?1（图1c）。Eu-DHT/NCP中的这些峰分别发生了155 cm^?1和62 cm^?1的红移，表明羧酸氧原子与Eu³⁺之间有强烈的配位作用（

结论

通过一种简单的溶剂热方法开发了一种双发射比率荧光探针（Eu-DHT/NCP），用于Al³⁺检测。该探针通过Al³⁺与探针的相互作用和骨架塌陷表现出快速的荧光响应，实现了低检测限（11.6 μg/kg）、宽线性范围（0.1–100 μM）、优异的选择性和高灵敏度。开发了一种基于智能手机的试纸和前馈神经网络平台，实现了无需仪器的现场视觉检测

CRediT作者贡献声明

徐刘：撰写——原始草稿、可视化、验证、软件、方法论、调查、正式分析、数据管理。卜青辉：软件、方法论、正式分析。程正：软件、方法论、正式分析。黄晓伟：软件、正式分析。刘新芳：撰写——审阅与编辑、监督、资源管理、项目协调、方法论、调查、概念化。何向翔：软件、方法论。张晓宇：监督、资源管理

未引用参考文献

Tang等人，2023年

Wang等人，2021年

利益冲突声明

作者声明他们没有已知的可能会影响本文所述工作的财务利益或个人关系。

致谢

本工作得到了国家自然科学基金（22371110、32502094）、河南省重点科学技术计划（242102110102）和河南省卫生健康委员会（LHGJ20210762、LHGJ20191056）的支持。