【研究背景】

随着人们生活水平的提高，食物过敏问题愈发受到关注。其中，由牛奶中β-乳球蛋白（β-LG）引发的过敏现象日益增多，严重威胁公众健康，还带来了巨大的经济和社会负担。由于即使极微量的β-LG也可能引发严重过敏反应，且目前食物过敏尚无治愈方法，因此，精准、快速地检测食物中的β-LG至关重要。

传统的食物过敏原检测方法，如酶联免疫吸附测定（ELISA），虽具有操作简单、标准化、特异性和灵敏度较高等优点，但存在颜色变化不明显、易受背景干扰等缺陷。侧向流动免疫分析等方法虽能通过视觉信号实现快速分析和较高特异性，但主要用于定性或半定量检测。现有的生物传感器在智能性和便携性方面也存在不足，难以满足实际需求。

近日，西安交通大学王福团队与信阳师范大学许婧团队在在美国化学学会旗下期刊《Nano Letters》上发表题为《Machine Learning-Assisted Portable Dual-Readout Biosensor for Visual Detection of Milk Allergen》的研究成果，该研究开发出一种基于机器学习辅助的便携式双输出生物传感器，并将其巧妙地集成到测试条中，为牛奶中主要过敏原β-LG的检测提供了快速、灵敏且便捷的解决方案。

【主要内容】

研究团队创新性地将基于葡萄糖驱动酶生物燃料电池（EBFCs）的自供电电化学生物传感器与智能血糖仪芯片相结合，构建了“能量-生物传感器-监测”微系统。该系统以葡萄糖为燃料，利用石墨炔独特的高比表面积和众多活性位点，增强了生物传感器的性能，能够高效检测β-LG，通过将β-LG浓度与手机应用上显示的血糖值相关联，实现了实时定量检测。

同时，研究人员引入了[2,2'-偶氮二（3-乙基苯并噻唑啉-6-磺酸）]（ABTS）。在生物酶催化葡萄糖氧化产生的副产物过氧化氢（H₂O₂）作用下，ABTS发生氧化还原变色反应。借助手机软件将颜色转化为灰度值，建立起颜色与β-LG浓度的定量关系，实现了在0.01 - 10,000 ng/mL范围内的电化学和比色双信号检测，检测限分别低至0.0033 ng/mL和0.0081 ng/mL（图1）。

图1.便携式β-LG检测原理示意图。

研究团队对生物传感器的材料进行了全面表征（图2）。扫描电子显微镜（SEM）和透射电子显微镜（TEM）图像显示，合成的石墨炔（GDY）薄片结构平整、连续且几乎透明，GDY/AuNPs纳米复合材料中，球形AuNPs均匀附着在GDY表面，无团聚现象。X射线光电子能谱（XPS）分析进一步证实了纳米复合材料的成功合成。

图2.材料形貌和结构表征。（A）GDY的SEM图像;（B-E）GDY/AuNPs纳米复合材料的SEM、TEM和映射图像;（F-H）GDY/AuNPs纳米复合材料的XPS;（I-J）GDY的结构模型。

研究人员通过一系列实验验证了该生物传感器的性能（图3）。实验结果表明，该生物传感器能在0.01 - 10,000 ng/mL 的宽浓度范围内对β-LG 进行检测，电化学检测时，线性方程为y = 2.813 lgc + 8.897（R² = 0.9978），检测限低至0.0033 ng/mL。借助商业血糖仪技术检测β-LG，在0.01 - 5 ng/mL和10 - 10000 ng/mL 区间内，信号变化与 β-LG 浓度呈良好线性关系，线性方程为 y1 = -1.692 lgc + 21.44（R² = 0.9976）和 y2 = -3.761 lgc + 21.43（R² = 0.9947），检测限为0.0051 ng/mL。在比色检测下，线性方程为y=-14.23 lgc + 170.9（R² = 0.9969），检测限为0.0081 ng/mL。此外，该生物传感器还具有良好的长期稳定性，存储12天后，电流强度仍保持在初始值的90%以上。在重现性方面，不同批次和同一批次内检测的相对标准偏差较低，表明该生物传感器的重复性良好，在多次检测过程中能保证检测结果的一致性。在选择性方面，该生物传感器对β-LG的检测信号显著高于其他蛋白质，显示出优异的特异性和抗干扰能力（图4）。

图3.（A）多级联动便携式β-LG检测图；（B-C）瞬时电流随β-LG浓度的曲线及瞬时电流与β-LG浓度对数在0.01 ~ 10000 ng/mL范围内的线性关系；（D-E）血糖水平与β-LG浓度曲线及血糖水平与β-LG浓度对数在0.01 ~ 10000 ng/mL范围内的线性关系；（F）比色试验条试验图；（G）不同β-LG浓度与其RGB值的线性关系；（H） β-LG对数与其RGB值的线性关系；（I）比色分析的选择性；（J）比色分析的稳定性。

图4.（A-B）构建的生物传感器的稳定性和可重复性；（C）所构建生物传感器的选择性。

此外，研究人员运用机器学习辅助检测，通过对牛奶及其衍生物进行预处理后，将样品滴在芯片生物传感器上，通过蓝牙将电流响应传输到智能手机，再将数据传输到计算机进行分析。实验结果表明，决策树（DT）模型在低、中、高浓度测试集上的分类性能优于其他模型，整体准确率达到93%。此外，K-means聚类分析和随机森林模型也证实了该生物传感器在检测牛奶中的β-LG时具有较高的准确性和可靠性（图5）。

图5.（A）实际样品中机器学习辅助β-LG检测示意图;（B）机器学习模型在低、中、高浓度下的性能比较：决策树（DT）、随机森林（RF）、k近邻（k-NN）、逻辑回归（LR）和支持向量机（SVM）；（C）机器学习模型的整体性能比较；（D）决策树模型的混淆矩阵可视化；（E）决策树模型的ROC曲线和曲线下面积（AUC）；（F）k - means聚类（k = 3）；（G）基于决策树的随机森林模型的分类结果。

在实际牛奶样本检测中（图6），研究人员对超市购买的牛奶样本进行预处理后，利用该生物传感器进行检测，回收率在96.34%-101.7%之间，相对标准偏差为2.33%-3.73%，表明该方法能够准确、稳定地检测牛奶中的β-LG。

图6.牛奶样品中β-LG浓度的分析。

【结论】

该新型生物传感器的开发具有重要意义，其创新设计将商业血糖仪与自供电生物传感器相结合，检测策略简单、成本低、可视化、便于携带和储存。电化学和比色双信号检测方式兼具高灵敏度和直观的颜色对比优势，显著提高了检测准确性，为食品安全和健康领域的过敏原快速检测提供了有力工具，有望在实际应用中发挥重要作用，保障公众健康。

该论文第一作者为信阳师范大学的许婧副教授，通讯作者是西安交通大学的王福教授。本研究得到了国家自然科学基金、陕西省自然科学基金、河南省高校科技创新团队计划、河南省教育厅项目等项目资助。

原文链接：

https://pubs.acs.org/doi/full/10.1021/acs.nanolett.5c01001