登录
 机构网站
  1. 首页
  2. 情报产品
  3. 快讯详情

《合肥工业大学：基于“噪声净化器”的超灵敏智能手机辅助双色比率荧光传感平台用于食品中致病菌的即时检测》

  • 来源专题：食品安全与健康
  • 编译者： 王晓梅
  • 发布时间：2025-02-11

  • 基于“噪声净化器”的超灵敏智能手机辅助双色比率荧光传感平台，用于食品中致病菌的即时检测


    2024年7月15日，合肥工业大学和广东省科学院吴清平院士团队Lulu Cao及通讯作者Yingwang Ye、Qingping Wu院士在国际期刊《Food Chemistry》（JCR一区，IF2023=8.5）发表了题为“An ultrasensitive smartphone-assisted bicolor-ratiometric fluorescence sensing platform based on a “noise purifier” for point-of-care testing of pathogenic bacteria in food”（基于“噪声净化器”的超灵敏智能手机辅助双色比率荧光传感平台，用于食品中致病菌的即时检测）的研究论文。

    摘要

    本文开发了一种基于“噪声净化器”的双模式荧光共振能量转移（FRET）传感平台，用于超灵敏检测食品中的大肠杆菌O157。该系统利用修饰的石墨烯量子点（N,S-GQDs@PMB）作为供体，修饰的碳量子点（Y-CDs@Apt）作为受体，以磁性多壁碳纳米管（Fe@MWCNTs）为“噪声净化器”去除荧光背景干扰。该平台通过智能手机进行便携检测，显著提高了检测灵敏度，可实现对真实样本中病原菌的定量检测。


    引言

    大肠杆菌O157作为常见的食源性致病菌，其感染可导致严重的健康风险，因而需要灵敏度高且操作简便的检测方法。传统的PCR等检测方法存在操作繁琐、成本高等缺点。基于智能手机的POCT（现场检测）平台因其便携性、实时性和高灵敏度受到关注，但现有单一波长荧光检测容易受到非特异性结合的背景信号干扰。本研究创新性地利用Fe@MWCNTs作为“噪声净化器”，结合双模式荧光检测以提高信噪比，实现了食品中大肠杆菌O157的精准检测。


    研究内容

    （1）传感器的构建与表征：通过修饰的N,S共掺杂石墨烯量子点（N,S-GQDs@PMB）和碳量子点（Y-CDs@Apt）构建FRET检测系统。Fe@MWCNTs作为“噪声净化器”以降低背景干扰，从而提高传感器的信噪比。传感器的双荧光信号依赖于目标菌的浓度，并利用智能手机进行现场颜色分析。

    （2）检测性能测试：实验在不同浓度的大肠杆菌O157样本中验证了平台的灵敏度和特异性。检测范围从101到107 CFU/mL，检测限为4.45 CFU/mL。该系统在牛奶、饮用水和牛肉样本中的回收率达到91%-104%，显示了其在复杂食品基质中的适用性。


    结论与展望

    该研究开发的基于“噪声净化器”的传感平台通过智能手机辅助检测实现了大肠杆菌O157的高灵敏度、现场定量检测。该平台在食品病原菌检测方面展示出广泛的应用潜力，未来可拓展用于其他革兰氏阴性菌的检测，推动食品安全监测技术的进步。


    图文赏析


    原文链接：

    https://www.sciencedirect.com/science/article/pii/S0308814624004540?via%3Dihub





  • 原文来源：https://www.sciencedirect.com/science/article/pii/S0308814624004540?via%3Dihub
142浏览量
原文链接
相关报告

  • 《北京工商大学：基于智能手机的比率荧光传感器在全麦食品中超灵敏检测5-一十一烷基间苯二酚的应用》
    • 来源专题：食品安全与健康
    • 编译者：王晓梅
    • 发布时间：2024-12-23
    • 基于智能手机的比率荧光传感器在全麦食品中超灵敏检测5-一十一烷基间苯二酚的应用 2024年9月16日，北京工商大学孙宝国院士团队第一作者Yangyang Wen，通讯作者Hongyan Li和Jing Wang在国际期刊《Postharvest Biology and Technology Journal of Agricultural and Food Chemistry》（JCR一区，IF2023=5.7）发表了题为“A Smartphone-Integrated Ratiometric Fluorescence Sensor for the Ultrasensitive and Selective Detection of 5-Heneicosylresorcinol in Whole Wheat Foods”（ 基于智能手机的比率荧光传感器在全麦食品中超灵敏检测5-一十一烷基间苯二酚的应用）的研究论文。 摘要 本研究开发了一种基于智能手机的比率荧光传感器（CDs@ZIF-8/CdTe@MIP），用于超灵敏和高选择性地检测全麦食品中的5-一十一烷基间苯二酚（C21:0 AR），该物质是全麦食品中的关键生物标志物。通过将蓝色碳点嵌入沸石咪唑骨架8（CDs@ZIF-8）中作为自校准信号，并使用CdTe量子点作为响应信号，传感器展现了宽线性范围（0.005-1 μg/mL 和 1-80 μg/mL）和低检测限（1.14 ng/mL）。此传感器在全麦食品样品中表现出良好的检测效果，并通过智能手机辅助装置，实现了实时、便捷的现场监测。 引言 全麦食品因其与降低肥胖、糖尿病和心血管疾病的风险相关而备受关注。间苯二酚（ARs）作为全麦食品中的关键成分，被视为可靠的全谷物摄入生物标志物。现有的检测ARs方法，如色谱和质谱，存在检测周期长、操作复杂的缺点。相比之下，荧光传感技术具有操作简便、快速响应和高灵敏度的优势，尤其是比率荧光传感器通过两种荧光信号的比值变化提高了检测的准确性。本研究首次将智能手机与比率荧光传感器相结合，为全麦食品中的AR检测提供了一种经济高效的解决方案。 研究内容 本研究设计了一种比率荧光传感系统，使用嵌有蓝光碳点的ZIF-8（CDs@ZIF-8）作为参考信号，橙光CdTe量子点作为响应信号，并通过分子印迹聚合物（MIP）提高选择性。C21:0 AR与传感器结合后，触发CdTe的荧光淬灭，而CDs@ZIF-8的荧光保持不变，从而实现了比率荧光检测。实验测试了该传感器的检测限、线性范围、选择性和抗干扰能力，显示出显著的灵敏度和良好的重现性。此外，将传感器与智能手机整合，利用RGB比值分析实现了现场可视化监测。 结论与展望 该比率荧光传感器通过结合智能手机平台，成功实现了全麦食品中C21:0 AR的高效检测，显示出良好的灵敏度、选择性和便携性，为食品真实性鉴定和全麦成分的定量分析提供了新方法。未来研究可进一步优化该方法的应用范围，提升在其他食品安全检测中的应用潜力。 图文赏析 原文链接： https://pubs.acs.org/doi/10.1021/acs.jafc.4c05220
    139浏览量
    原文链接

  • 《【食品信息学】IF=12.0！合肥工业大学蔡克周教授顶刊综述：食品质量和真实性检测中的先进深度学习算法》
    • 来源专题：食品安全与健康
    • 编译者：杨娇
    • 发布时间：2025-07-24
    • 2025年7月14日，合肥工业大学食品与生物工程学院蔡克周教授团队在国际Top期刊《Trends in Analytical Chemistry》（Q1，中国科学院一区，IF=12.0）发表题为“Advanced deep learning algorithms in food quality and authenticity”的综述性论文。合肥工业大学2023级博士研究生沈澈为第一作者，通讯作者为合肥工业大学食品与生物工程学院蔡克周教授。  综述亮点 概述了高级 DL 算法在食品质量/真实性方面的最新进展、架构和应用。 大型语言模型的出现彻底改变了食品质量和真实性的识别。 高级深度学习在食品质量识别中的关键作用，特别是在新鲜度评估中。 讨论了先进深度学习算法的挑战和前景。 成果介绍 食物是人类健康和福祉的首要决定因素。高质量食品的特征不仅在于其营养含量，还在于其感官特性。此外，食品的新鲜度、成分、类型和产地也是食品质量的重要属性。然而，食品供应链的复杂性和欺诈手段的日益复杂化，需要更具可扩展性、适应性和智能性的解决方案，传统的深度学习（DL）模型如卷积神经网络（CNN）、递归神经网络（RNN）在处理时序和空间数据时，它们都存在局限性，难以处理复杂的非线性关系，表达能力有限，无法满足更复杂的食品质量需求和真实性识别。随着科学技术的快速进步，越来越多的先进深度学习算法出现，以解决食品质量和真实性相关的挑战。 本综述总结了近年来用于食品质量和真实性分析的先进深度学习算法的研究进展，对用于食品质量定量评估和真实性分析的先进深度学习算法，如先进的CNN变体、轻量级学习、目标检测算法YOLO、注意力机制和Transformer、大语言模型、图神经网络（GNN）以及以GAN和VAE为代表的深度生成模型等进行了深入探讨，并进一步阐述了近年来先进深度学习算法在食品质量和真实性分析中的应用，诸如食品掺假鉴定、地理来源、品种鉴定等食品真实性分问题以及诸如瘀伤检测、缺陷检测、营养成分鉴定、成熟度评估、质量分级、新鲜度检测和微生物和化学残留物检测等食品质量问题 讨论了先进的深度学习算法目前面临的挑战，重点是模型表达与泛化、可解释性，数据隐私和算法公平性。 未来研究的一个有希望的方向是将便携式设备与先进的DL集成以实现实时现场分析。通过部署超高效深度学习模型（如TinyML中的神经架构搜索和高级模型压缩/修剪）、专用硬件（低功耗人工智能加速器和神经形态芯片）和低成本/高性能便携式传感器（微型光谱仪和高级智能手机摄像头）的集成和部署将使关键点（农场、仓库、市场甚至消费者的家）的实时现场分析成为可能。这迫切需要构建一个关于食品质量和真实性的大规模公共数据集。另外部署超高效的DL模型。另外，作为最先进的深度学习架构，包括GPT-4、Claude和特定领域的变体的大语言模型，利用其复杂的文本处理和生成功能可以彻底改变食品质量和真实性分析，并为食品质量评估和真实性验证提供专家级支持。 该综述将提供有价值的见解和启示，为利用先进的DL算法进行全球食品质量和真实性监测提供实用指导，以促进智能食品检测系统的可持续发展。希望能为那些寻求使用先进的深度学习算法来提高食品质量和真实性检测的研究人员提供新的见解和灵感。 图文赏析 图1. 对一维、二维及三维数据的提取，以及卷积神经网络（CNN）的演进历程、发展轨迹与架构体系，涵盖原始CNN、以AlexNet、VGG、Inception、ResNet、DenseNet和Xception为代表的进阶CNN，以及SqueezeNet、MobileNet、ShuffleNet和EfficientNet等轻量化CNN。同时解析各进阶CNN的核心技术特性。. 图2. YOLO版本概述与时间轴。 图3. （A）循环神经网络（RNN）、长短期记忆网络（LSTM）和门控循环单元（GRU）的架构概述；（B）注意力机制的架构，包括卷积块注意力模块（CAM）、卷积块注意力机制（CBAM）以及自注意力机制；（C）Transformer架构及其基于Transformer的语言模型，包括BERT和GPT-1；（D）大语言模型的应用：基于多模态人工智能模型及GPT-4在线马铃薯病害检测平台（PotatoGPT），用于控制马铃薯品质。 图4. (A) 图神经网络（GNN）架构概览；(B) 将光谱数据转化为图结构；(C) 通过映射各节点间的连接关系，将时空数据转化为图结构。 图5. 深度生成网络（DGBs）概述：(A) 变分自编码器（VAE）的架构；(B) 生成对抗网络（GAN）的架构。 蔡克周 蔡克周，博士、教授、博士生导师，农业农村部神农青年英才。主要从事肉制品加工和副产物综合利用，具体包括：1. 熏烧烤肉制品安全加工理论与技术；2. 传统肉制品现代加工技术和装备；3. 畜禽屠宰副产物（骨、血）综合加工技术。2018年获安徽省科学技术一等奖、2021年获评中国轻工业联合会科技进步一等奖。先后承担国家自然基金青年、面上项目、国家重点研发计划课题、子课题、科技部农转资金、安徽省科技重大和企业委托等项目20余项，以第一和通信作者先后发表科技论文50余篇，授权发明专利15 项（国际发明专利2 项）。兼任《肉类研究》、Meat Science、Food Chemistry、Food Control、Food Hydrocolloids、LWT-Food Science and Technology、Food and Bioprocess Technology等20余个杂志审稿专家。 沈 澈 沈 澈，合肥工业大学2023级博士研究生，研究方向为肉制品风味与智能感官。以第一作者/共同一作在Comprehensive Reviews in Food Science and Food Safety、Trends in Analytical Chemistry、Food Chemistry、Food Chemistry: X、Meat Science、Food Control等国际期刊发表SCI论文11篇，ESI高倍引论文1篇。  原文链接 https://doi.org/10.1016/j.trac.2025.118374
    15浏览量
    原文链接