💡这项突破是什么?
采集细菌在污染物刺激下的无标记SERS光谱，直接捕捉其代谢响应，并结合机器学习方法，将特征SERS指纹与污染物的种类和浓度建立对应关系，从而构建用于多种污染物检测的传感新方法。图1展示了“SERS-WCB”的传感原理：当污染物与细菌接触后，细菌受刺激触发应激反应，引起代谢通路变化，进而改变代谢产物的组成与含量。由于不同污染物对细菌的毒性作用机制存在差异，其诱导的代谢响应亦具有显著区别。通过SERS技术检测这些代谢产物的指纹信息，可进一步构建基于细菌应激响应的指纹数据库与机器学习模型，最终实现对不同污染物的区分与定量分析。
本研究创新点一：发展了兼具高SERS活性与低细胞毒性的致密金壳包银核纳米颗粒（Au@AgNPs）基底，从而降低SERS检测过程中基底纳米材料对细菌的毒性应激效应，减少由此引起的检测误差，提高结果可靠性。该SERS基底解决了常规纳米银基底和常规纳米金基底难以同时兼容高灵敏度和低细胞毒性的技术壁垒。此外，通过过氧化氢处理去除表面残留的亚硫酸根离子，进一步降低了本底信号干扰，并增强了SERS“热点”区域对代谢分子的可及性，从而显著提升了细菌SERS光谱的信噪比与数据质量。
本研究创新性点二：提出了一种动力学依赖的多维SERS代谢分析策略（图2），通过捕捉污染物胁迫下细菌代谢产物释放行为的动态差异，并结合细菌生长阶段的优化调控，显著提高了传感器对污染物响应的灵敏度。进一步借助经优选的机器学习分类与回归模型进行特征提取与数据解析，实现了在标准溶液和实际海水中对不同种类与价态的重金属离子（10⁻⁶ M）以及结构相似的全氟化合物（PFOA，10⁻⁵ M）的精准区分与识别（图3）。而且在海水中验证了该SERS-WCB方法对典型污染物（如Ag⁺、PFOA）的定量检测能力，表明该方法在复杂海岸带介质中应用前景广阔。
图1 基于SERS的全细胞生物传感器用于污染物分类识别及定量分析示意图
图2 动力学依赖的SERS代谢分析策略及传感灵敏度提升效果
图3 使用机器学习优化算法结合本传感策略获得的污染物分类及定量结果
本研究为海岸带多种污染物的同时区分识别、污染溯源、毒理分析等提供了新思路和研究范式，相关成果发表于分析化学领域知名期刊《Analytical Chemistry》。文章第一作者为烟台海岸带所2022级硕士周天宇，共同通讯作者为陈令新研究员和张志阳研究员。该研究得到了国家自然科学基金、中国科学院青年人才项目、泰山学者青年专家、中国科学院海洋大科学中心及烟台市领军人才计划专项基金的资助。
论文信息：
Zhou,T.;Zhang,Z.;* Chen,J.;Wang,Q.;Chen,Y.;Wu,Y.;Choo,J.;Chen,L.* Advancing Whole-Cell Biosensors: Kinetics-Dependent Metabolic SERS Analytics for Pollutant Differentiation and Quantification. Analytical Chemistry. DOI: 10.1021/acs.analchem.5c04008. https://pubs.acs.org/doi/10.1021/acs.analchem.5c04008
