Detection of multiple per- and polyfluoroalkyl substances (PFAS) using a biological brain-based gas sensor

《Journal of Hazardous Materials Advances》：Detection of multiple per- and polyfluoroalkyl substances (PFAS) using a biological brain-based gas sensor

　　

摘要：全氟和多氟烷基物质(per- and polyfluoroalkyl substances, PFAS)是人造的、具有生物累积性的“永久性化学品”，在环境和生物系统中日益普遍。通过利用生物化学传感系统（即昆虫嗅觉），研究人员能够检测广谱的PFAS。昆虫在嗅觉感觉神经元水平先进的组合编码机制，使其能够进行高度灵敏和特异的气味检测。在此，研究人员利用蝗虫嗅觉系统来区分多种PFAS。体内(in-vivo)细胞外神经记录显示，多种PFAS在环境浓度下产生了独特且可重复的气味诱发反应。群体水平的反应动态（即气味诱发的ON和OFF活动）实现了对化合物的稳健神经指纹识别。利用高维神经特征和分类分析，研究人员同时区分了七种PFAS，准确率达87%，浓度范围分类准确率达84%，其中环境水平的PFOS达到100%准确率。基于高浓度(0.01% v/v, ppb)响应训练的机器学习算法在低浓度(0.0001% v/v, ppt)样本上进行测试时，保持了69.8%的准确率，证明了跨检测机制的可推广性。这项工作展示了首个基于生物嗅觉的PFAS传感平台，强调了神经计算作为一种用于环境监测的强大分析工具的潜力。这些发现代表了开发紧凑型、基于大脑的PFAS检测传感器的重要一步，该传感器能够同时区分多种化合物和浓度。

论文解读：基于生物脑启发式气体传感器的多种PFAS检测研究

本研究针对环境中广泛存在的全氟和多氟烷基物质(per- and polyfluoroalkyl substances, PFAS)的检测难题，提出了一种结合生物嗅觉系统与机器学习算法的新型传感策略。PFAS因其化学稳定性被称为“永久性化学品”，在环境和生物体内具有显著的生物累积性，并与心血管疾病、肝损伤及免疫毒性等健康风险密切相关。传统的气相色谱-质谱(GC-MS)和液相色谱-质谱(LC-MS)虽然准确，但依赖实验室环境、缺乏便携性且数据处理繁琐；而电子鼻(e-noses)和分子印迹聚合物(MIPs)等现有技术则在检测限和多分析物区分能力上存在局限。为此，研究人员探索了利用蝗虫(Schistocerca americana)嗅觉系统这一高度进化的生物感受器，构建“赛博格(cyborg)”传感器以实现对环境相关浓度PFAS的高效监测。

为实现上述目标，研究人员采用了几项关键技术方法：首先，对蝗虫成虫进行体内(in-vivo)手术，利用多通道电极在触角叶(antennal lobes, ALs)记录细胞外神经信号；其次，通过商业 olfactometer 控制气味输送，刺激物包括七种纯PFAS及稀释后的不同浓度溶液；随后，利用主成分分析(PCA)和线性判别分析(LDA)对高维神经群体数据进行降维可视化；并采用留一试验法(leave-one-trial-out, LOTO)混淆矩阵进行定量分类；最后，构建了卷积神经网络-长短期记忆网络(CNN-LSTM)混合模型处理神经时间序列数据，评估其跨浓度泛化能力。

研究结果显示，蝗虫嗅觉神经元能够对PFAS产生特异性反应。研究人员记录了86个神经元的活动，发现单个神经元对七种PFAS及对照空气表现出独特的放电模式。群体神经反应的时空动态分析表明，不同PFAS能诱发独特的ON和OFF反应轨迹，形成了特定的“神经指纹”。

在群体神经反应区分多种PFAS方面，通过PCA和LDA分析，研究人员观察到不同PFAS在三维特征空间中形成了明显分离的簇。基于高维数据的LOTO分类显示，系统对七种PFAS及对照的分类准确率达到87.08%，其中五种PFAS实现了100%的分类精度，且灵敏度与特异性大多高于90%。

针对环境浓度的检测，研究人员选取了6:2 FTOH和6:2 FTAcr进行测试。结果表明，即使在模拟环境水平的ppb和ppt浓度下，R.M.S.分析和LDA聚类仍能清晰分离不同浓度和化合物。LOTO分析在该浓度范围内的分类准确率为84%，证明了传感器在痕量检测方面的可靠性。

特别地，对于挥发性极低、环境丰度极高的PFOS，该系统同样表现出色。研究人员在34 ppt的极低浓度下测试PFOS，发现其能诱发与对照显著不同的神经轨迹。定量分析显示，PFOS在环境浓度下的分类准确率达到了惊人的100%，且灵敏度与特异性均为100%。

在机器学习算法应用方面，CNN-LSTM混合模型被用于PFAS的身份识别和跨浓度泛化。该模型在独立于浓度的分类任务中平均准确率为78.75%。更重要的是，仅使用高浓度(0.01% v/v)数据训练、低浓度(0.0001% v/v)数据测试的跨浓度泛化测试中，模型仍维持了69.8%的准确率。基准测试表明，CNN-LSTM显著优于LDA、SVM和MLP等线性模型，证实了卷积组件提取空间特征和循环组件捕捉时间动态对于解析非线性嗅觉编码的重要性。

综上所述，该研究成功构建了一个基于蝗虫脑回路的生物电子传感器，首次实现了对多种PFAS及其环境浓度的高精度、实时检测。这不仅克服了传统物理化学传感器在便携性和多分析物识别上的短板，也为环境监测提供了一种全新的、具有高灵敏度和特异性的生物启发式分析工具。该成果标志着在开发紧凑型、基于大脑的气体传感器用于复杂环境污染物的同步鉴别方面迈出了关键一步，具有重要的环境与健康应用前景。该研究发表在《Journal of Hazardous Materials Advances》期刊。