《Food and Bioproducts Processing》：A Nanoengineered Au@Ag@PVP SERS Solid-Phase Substrate Empowered by Machine Learning for Rapid and Trace-Level Screening of Pesticide Residues in Tea
编辑推荐：
农药残留检测；表面增强拉曼散射；机器学习算法；纳米粒子；茶叶安全
Xifan Zhan|Xinying Wang|Md Mehedi Hassan|Fangling Jiang|Jiaying Xu|Yuan Zhang|Shanghua Li|Sha Zou|Hongfa Liu|Yi Xu|Quansheng Chen
厦门集美大学海洋食品与生物工程学院，中国厦门361021
摘要
茶叶中的农药残留对消费者健康构成重大风险。本研究致力于开发一种基于表面增强拉曼散射（SERS）技术的传感器，该传感器使用由Au@Ag@PVP纳米颗粒（NPs）制成的固相基底，并结合机器学习化学计量技术，用于快速检测茶叶中的三氯芬、代森锰锌和噻虫胺。通过真空过滤将Au@Ag@PVP纳米颗粒固定在阳极氧化铝（AAO）过滤膜上，形成密集排列的纳米颗粒，从而产生强烈的电磁热点，提高SERS的灵敏度。收集并分析了含有不同浓度农药的茶样的拉曼光谱，使用了三种机器学习算法进行数据处理。在这些模型中，竞争性自适应加权采样-偏最小二乘法（CARS-PLS）表现出优异的预测性能：三氯芬的Rc = 0.9950、Rp = 0.9942、RPD = 9.2893；代森锰锌的Rc = 0.9955、Rp = 0.9942、RPD = 9.1010；噻虫胺的Rc = 0.9981、Rp = 0.9957、RPD = 9.7523。这种方法能够实现快速、定量的农药残留检测，且样品制备简单，灵敏度高，为监测茶叶安全提供了实用的方法。
引言
茶叶作为全球最受欢迎的非酒精饮料之一，因其独特的风味和多种健康益处而受到喜爱，这些益处归因于其中的生物活性化合物，如多酚、黄酮类、氨基酸、维生素和矿物质。定期饮用茶叶与降低心血管疾病、某些癌症和氧化应激相关疾病的风险有关（Sanaeifar等人，2021年）。然而，为了保证茶叶的质量和产量，通常会在种植过程中大量使用农药。由于采收前间隔时间较短，加工后的茶叶中仍会残留大量农药（Sanaeifar等人，2021年；Zhu等人，2021年）。这些残留物可能会渗入泡制的茶液中，对人体健康造成危害，如神经毒性、抑郁和致癌性（Cimino等人，2017年；Wang等人，2017年）。因此，开发灵敏且快速的农药检测方法对于确保茶叶的安全性和质量至关重要。传统的检测方法（如液相色谱-高分辨率质谱法（LC-HRMS）（Hu等人，2019年）、液相色谱-串联质谱法（LC-MS）（Song等人，2022年）和气相色谱-串联质谱法（GC-MS）（Ghosh等人，2021年）具有高精度和选择性，但需要复杂的样品处理步骤、较长的处理时间以及专业人员的操作。其他方法，包括计时电位法（Durovic等人，2016年）、电化学测定法（Majidi & Ghaderi，2017年）、内部过滤效应免疫测定法（IFE）（Si等人，2018年）和酶联免疫吸附测定法（ELISA）（Samsidar等人，2018年）也存在检测范围有限、操作复杂性和潜在假阳性结果的问题（Nishihama等人，2023年；Wang等人，2021年；Wrobel等人，2023年）。
SERS技术因其分子指纹特异性、快速检测能力和超灵敏度而成为一种有吸引力的替代方案，能够检测到单分子水平的分析物（Hassan等人，2019年）。SERS的增强效应源于金属纳米结构接头处的局部电磁场以及分析物与基底之间的电荷转移相互作用，使信号放大倍数达到10^15倍（Jiang等人，2021年；Joseph等人，2019年）。作为一种用于痕量分析和单分子检测的理想工具，SERS具有狭窄的光谱带宽、高灵敏度和快速响应时间等优点（Kong等人，2017年）。因此，它已被广泛用于检测各种食品污染物，如农药（Xu等人，2020年）、重金属（Li等人，2018年）、毒素（Kutsanedzie等人，2020年）和抗生素（H. H. Li等人，2017年）。近年来，学者们对SERS在食品农药残留检测中的应用进行了大量研究。例如，Huang等人使用雪花金纳米颗粒收集SERS光谱，成功识别了农产品样品中的有机磷农药残留（Huang等人，2020年）。然而，在合成过程中控制纳米结构的精确形态仍然具有挑战性。He等人开发了一种带有3D银微球图案的SERS芯片，用于定量检测中国茶叶中的代森锰锌，尽管该方法需要复杂的样品制备步骤（He等人，2021年）。尽管SERS技术在检测食品农药残留方面取得了有希望的结果，但在提高基底稳定性和检测灵敏度方面仍存在挑战。因此，开发一种简单、灵敏且稳定的SERS方法对于农药残留分析至关重要。此外，SERS光谱包含丰富的分子结构信息，但也包含大量噪声和背景干扰，使得准确的光谱解释更加复杂。为了解决这一挑战，机器学习方法在光谱数据处理领域得到了广泛应用。通过使用各种统计和数学工具，这些方法建立了化学测量与光谱数据之间的相关性，从而解释数据中的信息（Lee等人，2020年）。
为了解决复杂茶叶基质和传统方法繁琐预处理步骤的问题，本研究提出了一种结合机器学习算法和SERS技术的快速定量检测新策略。我们巧妙地构建了一种基于Au@Ag@PVP纳米颗粒的高性能固相SERS基底。通过简单的真空过滤过程，纳米颗粒在多孔AAO膜上自组装成均匀且密集的层。这一设计不仅简化了基底制备过程，还赋予其出色的稳定性和信号增强能力。利用这一平台，我们成功检测到了茶叶中三种代表性农药（三氯芬、代森锰锌和噻虫胺）的拉曼信号。关键的是，我们引入了竞争性自适应加权采样结合偏最小二乘法（CARS-PLS）来筛选特征变量，并从复杂的光谱数据中建立定量模型，有效减少了背景干扰。该方法结合了最小样品预处理、高度稳定的固相基底和智能特征选择三个关键优势，为复杂基质中农药的快速筛查提供了一种有前景的分析方法。
材料与试剂
聚维酮K30（PVP，MW = 10000）、四水合氯金酸（HAuCl4·4H2O）、三钠柠檬酸二水合物（C6H5Na3O7·2H2O）、L-抗坏血酸（AA，≥99.0%）、硝酸银（AgNO3）、乙腈（ACN）和乙醇均购自中国上海的Sinopharm Chemical Reagent Co., Ltd.，均为试剂级。代森锰锌（99%）、三氯芬（99%）和噻虫胺（99%）购自中国上海的Shanghai Aladdin Bio-Chem Technology Co., Ltd。阳极氧化铝（AAO）
Au@Ag@PVP纳米颗粒的表征
Au@Ag纳米颗粒是通过基于种子介导的水热生长两步法制备的。首先，柠檬酸钠将氯金酸还原为球形Au纳米颗粒；随后，三钠柠檬酸将AgNO3还原，使银连续沉积在Au纳米颗粒表面，形成核壳结构的Au@Ag纳米颗粒。然后加入PVP溶液并持续搅拌，在Au@Ag纳米颗粒表面形成PVP壳层。
Au@Ag@PVP纳米颗粒在溶液中表现出优异的分散性
结论
本研究成功开发了一种基于SERS技术的创新固相基质，用于检测茶叶中的农药残留。该方法的独特优势在于其简化的样品制备过程，消除了传统技术所需的复杂且耗时的提取步骤，实现了茶叶液的快速便捷分析。其分析性能得益于Au@Ag@PVP固相的卓越信号增强和光谱稳定性
作者贡献声明
Quansheng Chen：可视化、监督、资源管理、项目协调、资金获取、正式分析。
Yi Xu：监督、项目协调、资金获取、正式分析、数据管理、概念构思。
Xinying Wang：可视化、验证、方法学研究、数据管理。
Xifan Zhan：撰写初稿、可视化、软件开发、方法学研究、数据管理、概念构思。
Shanghua Li：软件开发。
Hongfa Liu：未引用参考文献
Hassan等人，2019年；Li等人，2017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研究的财务利益或个人关系。
致谢
本研究得到了国家自然科学基金（项目编号：32272414）的财政支持。
