赤霉素可以延缓果实成熟过程，并调节果实角质层中蜡质成分的积累

氮掺杂碳点（N-CDs）荧光探针结合3D打印便携设备与智能手机，利用卷积神经网络（CNN）实现汞离子（Hg2?）浓度高精度定量分析（R2=0.998，检测限0.2μM），成功监测水稻汞动态吸收过程。

　　

孟虎|龙星宇|毛康|苏俊霞|薛家琪|马伟|李佐祥|张华

贵州师范大学化学与材料科学学院，中国贵阳市550025

摘要

水稻是中国内陆地区汞暴露的主要途径，因此对Hg²⁺吸收的动态监测至关重要。在本研究中，通过一步水热法使用三聚氰胺和柠檬酸铵合成了氮掺杂碳点（N-CDs），量子产率达到20.92%。利用其对Hg²⁺的高敏感性，建立了一种检测限（DL）为85 nM的荧光检测方法。在此基础上，开发了一种结合3D打印设备和智能手机的便携式装置，用于在不同Hg²⁺浓度下捕捉荧光图像。卷积神经网络提取RGB和HSV特征，实现了1–50 μM范围内Hg²⁺水平的定量映射（R² = 0.998），检测限为0.2 μM。该装置在自来水、河水和废水样本中的回收率（96.33%–113.67%）表现出色。应用于水稻后，发现汞适应后水稻对Hg²⁺的吸收能力增强。本研究为环境中Hg²⁺的现场检测提供了一种简单有效的策略。

引言

汞（Hg）是一种具有高毒性和持久性的全球性污染物。它容易在生物体内积累，对环境和公共健康构成严重威胁（Cai等人，2025；Song等人，2025；Yan等人，2025）。我们小组之前的研究表明，水稻具有很强的汞积累能力，使其成为中国内陆地区汞和甲基汞暴露的主要途径（Huang等人，2025；Man等人，2024）。因此，动态监测水稻中的汞吸收对于理解其吸收机制并进行科学的风险评估至关重要。目前，检测汞的传统方法包括原子吸收光谱法（AAS）、原子荧光光谱法（AFS）、电感耦合等离子体质谱法（ICP-MS）和电化学分析。这些方法提供了高灵敏度的平台来检测Hg²⁺；然而，它们依赖于昂贵的仪器和训练有素的专业人员，无法满足现场和实时的检测需求（Chahid等人，2014；Jia等人，2018；Lahari等人，2025；Yang等人，2025）。此外，繁琐且耗时的预处理程序使得难以实现对水稻中Hg²⁺吸收的动态监测。因此，迫切需要开发高效且简单的现场Hg²⁺检测方法。

荧光传感器以其高灵敏度、操作简便性、成本效益和快速响应而著称，是很有前景的替代方案（Park等人，2025；Wang等人，2025）。新兴的荧光纳米材料，特别是碳点（CDs），由于其独特的化学性质和出色的光学性能，被认为是构建荧光传感器的理想选择（Liu等人，2025；You等人，2024）。Wang等人使用柠檬酸和三乙胺作为前驱体，通过一步水热法合成了蓝色发光的氮掺杂碳点（N-CDs）。他们将N-CDs与罗丹明B（RhB）结合，制备了一种用于实际水中Hg²⁺定量检测的比率荧光探针（N-CDs/RhB）。类似地（Wang等人，2025），Wang等人开发了一种基于柠檬酸和尿素的双触发荧光探针。加入Hg²⁺后，其比色和荧光响应肉眼可见，为Hg²⁺的视觉检测提供了一种方便的新方法（Wang等人，2022）。这些研究表明，基于碳点的荧光传感器在Hg²⁺检测方面具有巨大潜力，为便携式和实时传感技术的发展奠定了坚实的基础。

近年来，智能手机由于其高分辨率摄像头和强大的图像采集能力，经常被用作便携式传感器的信号输出终端（Fu等人，2024）。例如，Yin等人提出了一种用于S^2?检测的比率荧光策略，利用智能手机建立了一个便携式荧光传感平台，无需光谱仪即可实现S^2?的准确可视化和定量检测（Yin等人，2022）。我们还系统地回顾了基于智能手机的检测方法，发现它们在便携性和可视化方面具有明显优势，为快速现场检测提供了有力支持（Xue等人，2024）。需要注意的是，智能手机检测平台通常依赖于手动数据处理，这不仅耗时且劳动强度大，还会引入人为误差和不确定性，可能影响实验准确性。

为了解决上述挑战，研究人员开始利用机器学习技术，如深度学习，来提高检测精度。通过利用其图像识别能力和高度自动化，这些方法简化了流程，实现了从图像直接输出检测结果，减少了对人工干预的依赖（Han等人，2025；Saini等人，2025）。其中，卷积神经网络（CNNs）是一种代表性的深度学习算法。它们具有强大的自动特征学习能力、高效的数据处理速度和出色的模式识别精度。作为一种结合卷积计算和深层结构的前馈神经网络，CNNs能够实现非线性特征的层次学习和高效的批量图像处理（Cheng等人，2025；Feng等人，2024）。智能手机与深度学习的结合利用了两种技术的优势，实现了快速、准确的数据处理和分析，对使用荧光传感器的便携式检测具有重要意义（Wu等人，2023）。目前，将碳点荧光探针与深度学习辅助的智能手机分析相结合已成为一个关键的研究方向，具有广泛的实际应用潜力。Xing等人将深度学习算法整合到一个基于氮和硼共掺杂碳点（N, B-CDs）的智能手机辅助传感平台中，用于银离子（Ag⁺的定量视觉分析（Xing等人，2025）。同样，Lu等人报告了一种基于智能手机的深度学习系统，用于三重发射比率荧光传感，实现了Cu²⁺和SCN^?的高灵敏度现场检测。通过使用YOLOv3捕捉荧光图像并读取RGB值，该系统实现了可靠的目标检测（Lu等人，2022）。

此外，作为一种新兴技术，3D打印已被广泛应用于制造结构复杂和多功能集成设备。凭借其低成本和可重复使用的优势，它为现代环境分析提供了强大的仪器开发工具，以满足现场、实时、定制化和智能检测的需求（Dos Santos等人，2022；Liang等人，2022；Vargas-Mu?oz等人，2025）。Sun等人开发了一种基于双色碳点比率荧光传感的设备，利用荧光共振能量转移（FRET），将智能手机与3D打印设备结合，实现了慢性肾病（CKD）的非侵入性诊断（Sun等人，2024）。Lu等人通过将三重发射比率荧光CD探针与智能手机、3D打印设备和深度学习YOLOv3算法结合，实现了四环素抗生素的快速现场检测（Lu等人，2023）。因此，结合碳点荧光探针、深度学习辅助的智能手机分析技术和3D打印设备有望实现Hg²⁺的快速现场检测。

基于上述内容，我们合成了一种新型氮掺杂碳点（N-CDs）荧光探针，并开发了一种与深度学习辅助的智能手机集成的便携式荧光传感设备，用于动态监测水稻中Hg²⁺的吸收。首先，使用三聚氰胺和柠檬酸铵作为前驱体，通过一步水热法成功合成了N-CDs。这些N-CDs表现出出色的光学性质和对Hg²⁺的高度敏感响应。在Hg²⁺存在下，N-CDs形成稳定的非荧光复合物，触发静态淬灭效应，从而实现动态荧光信号响应（从蓝色逐渐衰减至熄灭）。基于此，通过将3D打印设备与智能手机结合，构建了一个便携式荧光设备。该设备可以捕捉不同Hg²⁺浓度下的N-CDs荧光图像。卷积神经网络（CNNs）被用来提取和学习RGB和HSV特征参数，建立了这些参数与Hg²⁺浓度之间的定量映射模型，以实现精确的Hg²⁺量化。最后，该方法被应用于实际水样中Hg²⁺的检测，并动态监测水稻植株中Hg²⁺的吸收过程。预计这将为环境中的Hg²⁺现场检测提供一种简单有效的新型策略，并有助于研究水稻对Hg²⁺的吸收机制。

N-CDs的合成

N-CDs通过一步水热法合成。简要来说，将1 mmol的三聚氰胺（MEL）和3 mmol的柠檬酸铵（AC）溶解在15 mL的乙二醇/水混合物中（v/v = 1:2），并超声处理10分钟以确保完全溶解和均匀分散。然后将溶液转移到一个50 mL的聚四氟乙烯内衬不锈钢高压釜中，在160°C下加热10小时。冷却至室温后，通过0.22 μm膜过滤反应混合物以去除

N-CDs的合成与表征

如图1(a)所示，N-CDs通过使用三聚氰胺（MEL）和柠檬酸铵（AC）作为前驱体的一步水热法合成。为了获得具有优异光学性质的N-CDs，优化了三个关键参数——MEL与AC的摩尔比、反应温度和反应时间。首先，研究了MEL/AC摩尔比对N-CDs荧光性质的影响（图S1(a)）。随着MEL/AC摩尔比的逐渐增加，

结论

本研究成功开发了一种基于氮掺杂碳点（N-CDs）的荧光探针，结合了深度学习辅助的便携式荧光传感设备，能够高效监测水稻中Hg²⁺吸收的动态过程。从三聚氰胺和柠檬酸铵合成的N-CDs表现出高量子产率（20.92%）和对Hg²⁺的强特异性响应，检测限（DL）为85 nM，显示出优异的灵敏度，满足痕量检测的要求

CRediT作者贡献声明

孟虎：撰写 – 审稿与编辑，撰写 – 原稿撰写，概念构思。龙星宇：撰写 – 审稿与编辑，监督，资金获取，概念构思。毛康：撰写 – 审稿与编辑，监督，资金获取，概念构思。苏俊霞：撰写 – 审稿与编辑，监督，概念构思。薛家琪：撰写 – 审稿与编辑，监督。马伟：撰写 – 审稿与编辑，监督。李佐祥：撰写 – 审稿与编辑。张华：撰写

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报告的工作。

致谢

我们感谢国家自然科学基金（42377456，U24A20620）、贵州省基础研究计划（自然科学）（QKH-ZK[2024]440）、贵州省科技项目（[2024]013，黔科合平台人才-GCC [2023] 046）以及中国科学院青年创新促进会（2023415）、贵州省科技项目[黔科合志成 [2022] 通用180]的支持。