Sens Actuators B Chem：逐步预测策略下机器学习辅助双发射荧光-比色传感机器学习辅助的双发射荧光/比色传感器阵列检测多种抗生素

环境与健康危害类抗生素需高效检测传感器。本文以高荧光量子产率新型碳点（CDs）与碲化镉量子点（CdTe QDs）构建双发射荧光 / 比色传感阵列，采集荧光强度、最大发射波长多维响应数据，搭建特异性显著提升的传感阵列检测平台。针对统一建模、数据集外未知样本识别两大行业难题，本文创新性提出分步预测策略结合机器学习构建通用 SX 模型，并借助树型流水线优化技术（TPOT）融合分类模型与浓度回归模型，筛选出预测精度最优的极端随机森林算法作为分类核心模型。

该传感阵列可在 0.5–50 μM 浓度区间区分 9 种抗生素，纯水体系未知样本整体识别准确率达 95%，数据集外样本平均浓度预测误差仅 4.93%；二元、三元抗生素混合体系同步识别性能同步提升。实验针对 216 份河水、牛奶实际样品开展检测，两类样品识别准确率均实现 100%，数据集外样品平均浓度误差分别为 3.25%、4.43%；同时实现抗生素裸眼可视化定性区分。

• 构建花生壳碳点 / CdTe 量子点双发射荧光比色传感阵列，依托多重识别机理区分 9 种抗生素，可裸眼可视化检测；

• 首创分步预测 SX 统一模型，结合 TPOT 筛选极端随机森林算法，同步完成抗生素种类分类与浓度定量；

• 融合荧光强度 + 发射波长多维数据，可精准识别数据集外单一组分及二元、三元混合抗生素；

• 河水、牛奶实际样品检测准确率 100%，数据集外样品浓度误差低于 5%，抗干扰、实用性强。

示意图1 双发射传感阵列的构建及抗生素检测流程示意图.

图1 花生壳碳点（P-CDs）的 (a) 透射电镜图（插图：碳点粒径分布）；(b) 高分辨透射电镜图；(c) 傅里叶变换红外光谱；(d) X 射线光电子能谱

图2 SX 模型构建流程图

图3 (a) 基于不同数据集（仅荧光强度 I、荧光强度 + 发射波长 I+λ）构建的两种模型准确率；(b) 特征值重要性分析

图4 去离子水中基于 SX 模型对 9 种抗生素的识别结果；(a) 预测结果三维分布图；(b) 分类预测混淆矩阵热力图；(c) 未知样本真实类别与预测类别的线性拟合曲线；(d) 未知样本真实浓度与预测浓度的线性拟合曲线。

图5 去离子水中采用 SX 模型识别二元、三元抗生素混合体系(a) 预测结果三维分布图；(b) 分类预测混淆矩阵热力图；(c) 未知样本真实类别与预测类别的线性拟合曲线；(d) 未知样本真实浓度与预测浓度的线性拟合曲线

图6 河水基质中基于 SX 模型对 9 种抗生素的识别结果(a) 预测结果三维分布图；(b) 分类预测混淆矩阵热力图；(c) 未知样本真实类别与预测类别的线性拟合曲线；(d) 未知样本真实浓度与预测浓度的线性拟合曲线

图7. 河水体系中 SX 模型对 9 种抗生素的可视化检测结果(a) 15 μM 浓度下预测结果三维分布图；(b) 15 μM 浓度下分类预测混淆矩阵热力图；(c) 30 μM 浓度下预测结果三维分布图；(d) 30 μM 浓度下分类预测混淆矩阵。

本文创新性融合分步预测策略与机器学习算法，建立一套适用于复杂基质中抗生素定量检测的全新分析方法。以花生壳基碳点（P-CDs）与 CdTe 量子点构筑双发射传感阵列，基于内滤效应、静态荧光猝灭与静电相互作用三种响应机理，实现 9 类抗生素的差异化识别。依托 TPOT 框架搭建一体化 SX 分步预测模型，筛选极端随机森林（ERF）为最优分类算法，检测下限可达 0.5 μM，可精准识别不同浓度梯度的单一抗生素。该传感阵列联合 SX 模型体系，可完成实际环境基质中多浓度抗生素精准区分，同时验证了二元、三元抗生素混合样品同步检测的可行性。该双发射传感阵列兼具高灵敏度、优异抗干扰能力，适配复杂水体、食品基质检测，且可实现可视化快速筛查。更关键的是，本文首次将 SX 模型应用于传感阵列数据分析并完成系统性验证：数据集内未知样本分类、浓度定量准确率均达 100%；数据集外未知样本分类识别准确率同样实现 100%，平均浓度预测误差低于 5%，彻底解决传统阵列分析无法有效识别数据集外样本的核心瓶颈。

免责声明：原创仅代表原创编译，水平有限，仅供学术交流，如有侵权，请联系删除，文献解读如有疏漏之处，我们深表歉意。