论文题目：Rapid Identification and Quantification of Aqueous Antibiotics over a Machine Learning-Integrated Raman Sensor Array
DOI：10.1021/acs.est.6c00577
第一作者：杨伊（南京大学环境学院 博士生）
共同通讯：潘丙才 教授、单超 副教授
单位：南京大学环境学院
研究背景
抗生素是全球重点关注的新型污染物，广泛赋存于河流、湖泊、市政污水等水环境中。其长期残留不仅会破坏水生态系统微生物群落结构，更会加速抗生素耐药基因（ARGs）的传播与扩散，对生态安全与人体健康构成持续风险。
构建快速、灵敏、可现场化的抗生素检测技术，是水质安全保障与污染风险预警的核心前提。传统液相色谱-质谱联用（LC-MS）虽准确度高，但存在样品前处理复杂、检测周期长（＞10 h）、依赖大型精密仪器等短板，难以满足水环境抗生素现场快速筛查的现实需求。
表面增强拉曼光谱（SERS）凭借响应快、灵敏度高、易便携化等优势，成为水环境污染物快速检测的潜力技术。但真实水体中常共存多种结构高度相似的低浓度抗生素，单一SERS基底光谱辨识度低，无法实现多组分抗生素的高效区分与准确定量，成为制约SERS技术工程化应用的关键瓶颈。
核心创新：机器学习辅助多基底拉曼传感阵列
针对上述技术痛点，潘丙才教授、单超副教授团队创新性构建机器学习耦合多基底SERS传感阵列，发展出一套适用于真实水环境的抗生素智能快速分析新方法：
- 多界面SERS基底构建制备聚乙烯吡咯烷酮、L-半胱氨酸、3-巯基丙酸三种修饰型金纳米颗粒SERS基底，形成兼具峰形叠加与信号演替双模式拉曼响应，大幅提升结构相似抗生素的光谱可分辨信息维度。
- 多界面拼接光谱（MICS）策略将多基底SERS光谱进行特征级拼接，融合多维光谱特征，突破单一基底信号单一、辨识度不足的局限。
- 机器学习智能识别定量结合机器学习模型，对拼接光谱进行模式识别与回归分析，实现结构相似磺胺类抗生素的同步定性识别与高精度定量。
关键研究成果
- 精准定量性能定量预测决定系数 (R^2) 高达0.99，预测误差较单一SERS基底显著降低。
- 真实水体强适用性在河水、湖水、市政污水二级出水中验证，抗生素加标回收率为**75.5%–116%**，27组测试中23组落入80%–110%的理想区间，抗基质干扰能力优异。
- 极速检测效率从样品制备到结果输出全程仅需30 min，较传统LC-MS检测时长（＞10 h）实现数量级缩短，完全适配现场快速检测需求。
科学意义与应用前景
- 方法学突破首创MICS拼接光谱+机器学习的新范式，为结构高度相似新污染物的多组分同步快速分析提供了通用技术方案。
- 技术落地潜力方法灵敏、快速、抗干扰、易便携，可直接应用于水环境抗生素现场监测、污染溯源、风险预警等场景。
- 拓展性价值该策略可进一步拓展至兽药、农药、PFAS等更多类型新污染物的快速智能检测，为我国新污染物治理与水环境智慧监测提供关键技术支撑。
团队简介
潘丙才
南京大学环境学院教授，长期从事水污染控制化学与新材料、新污染物治理、环境功能材料研发等研究，是环境工程领域知名专家，成果发表于ES&T、Water Research等国际顶级期刊，主持多项国家级重大科研项目。
单超
南京大学环境学院副教授，主要研究方向为环境传感、新型污染物快速检测、拉曼光谱技术应用，聚焦环境监测智能化与现场化技术创新。
杨伊
南京大学环境学院博士研究生，主攻新型污染物智能传感与快速检测技术，以第一作者在Environmental Science & Technology发表研究成果。
