抗生素作为典型的新污染物，在河流、湖泊及市政污水中被广泛检出，其长期环境赋存可能扰动水生态系统微生物群落结构、促进抗生素耐药基因的传播与扩散，对生态环境构成较大风险。发展面向真实水环境中抗生素的快速、灵敏、准确的检测方法对保障水质安全和预警污染风险具有重要意义。现有液相色谱-质谱联用（LC-MS）等常规分析技术具有较高的准确性，但通常依赖复杂且耗时的样品前处理流程和大型仪器设备，难以满足水中抗生素现场快速检测的需求。表面增强拉曼光谱（SERS）法具有响应快、灵敏度高和易便携化等优势，具有应用于水中抗生素快速检测的潜力，然而复杂水环境中常共存多种结构相近的低浓度抗生素，现有单一基底SERS分析方法难以实现真实水环境条件下抗生素的高效鉴别与准确定量，已成为制约该技术实际应用的关键瓶颈。
近期，南京大学环境学院潘丙才教授、单超副教授课题组针对SERS难以高效区分和准确定量水中结构相近抗生素的问题，构建了机器学习辅助的多基底拉曼传感阵列，进而发展了水中抗生素的智能快速分析方法。该研究分别制备了聚乙烯吡咯烷酮、L-半胱氨酸和3-巯基丙酸修饰金纳米颗粒以及相应的SERS基底，三种SERS基底具有“峰形叠加”和“信号演替”两种拉曼响应模式，所构成的SERS传感器阵列显著提升了目标抗生素的可分辨光谱信息维度。进而，研究将双模式多基底阵列对水中抗生素响应的SERS光谱进行特征级拼接获得多界面拼接光谱（MICS），并结合机器学习模型，实现了对三种磺胺类抗生素的同步识别与定量分析。研究提出的MICS策略与方法在结构相近抗生素的分类识别与定量分析中表现出优异性能，对含有单一抗生素样本的分类准确率可达99.6%，对共存多种抗生素样本的分类准确率达96.7%。在定量分析方面，该方法对目标抗生素的预测精度(r2)可达0.99，且预测误差相较单一SERS基底显著减小。在河水、湖水和市政污水二级出水中的技术验证结果显示，该方法具有良好的实际水适用性，回收率为75.5%-116%，27组测试中23组结果均落在80%-110%的理想区间。该分析方法从样品制备到结果读出的整体分析时间仅需30分钟，相较于传统LC-MS分析耗时（典型时长大于10小时）显著缩短。
该研究通过机器学习整合多响应模式拉曼传感器阵列，为结构相近污染物的多组分现场快速智能分析提供了新方法，也为面向真实水环境新污染物的智能现场监测技术的发展提供了新思路。这一策略有望拓展至更多类型新污染物的快速分析，在环境现场监测和水质风险预警等方面具有良好的应用前景。
上述研究成果以“Rapid Identification and Quantification of Aqueous Antibiotics over a Machine Learning-Integrated Raman Sensor Array”为题发表于环境领域知名期刊Environmental Science & Technology（https://doi.org/10.1021/acs.est.6c00577）。课题组博士生杨伊为论文第一作者，潘丙才教授和单超副教授为共同通讯作者。研究得到了国家自然科学基金的资助。
本文来源：环境功能材料与水污染控制。
入群请扫描下方二维码添加官方微信。
若有侵权，请联系下方微信删除或修改！
10个月宝宝每天需要喝多少奶粉？
