突破传统检测瓶颈！太赫兹 - 机器学习联用平台高效识别 8 种致病菌
发布时间：2025-10-11 浏览次数：13 分享：
传统细菌检测方法存在明显局限：作为金标准的细菌培养结合生化鉴定法需 24-72 小时，耗时较长；基质辅助激光解吸电离飞行时间质谱虽能缩短鉴定时间，但依赖菌落预处理且设备成本高；PCR、ELISA 等技术则需特异性探针或受体，难以实现广谱检测。而太赫兹光谱技术虽具备无侵入、快速、无标记优势，但细菌尺寸远小于太赫兹波长，导致波 - 物质相互作用弱，光谱指纹不明显，限制了其应用。
为解决这一问题，研究团队采用 3D 打印技术制备全介质太赫兹超构光栅，通过特殊周期结构设计，利用导模共振和表面波转换机制增强太赫兹波与细菌的相互作用，在 200GHz 和 400GHz 频段产生明显共振峰，放大细菌的光谱指纹信号。该超构光栅以紫外敏感树脂为材料，经 LCD 光固化 3D 打印制成，制作误差控制在 50 微米以内，20 次重复测试显示共振峰透射系数分布集中。
图 1：展示无标记细菌识别流程，含细菌制备、太赫兹光谱采集及机器学习分析鉴定。
在检测流程上，科研人员先将细菌样本制成浓度为 1.0×10^5 CFU/mL 的悬浮液，取 100 微升滴加在超构光栅表面，再通过太赫兹时域光谱系统（频率范围 0.1-5.0 THz）采集透射光谱。由于细菌对太赫兹波的吸收低于水，会逐步取代超构光栅表面的水，使被水掩盖的共振峰恢复，且不同细菌会导致共振峰位置和强度出现特征性变化，形成独特光谱指纹。
图 2：呈现太赫兹超构光栅实物、结构及不同参数光栅的实验与模拟透射光谱。
研究团队还对比了支持向量机（SVM）、随机森林、决策树分类器和 K 近邻四种监督学习算法，发现 SVM 算法表现最佳。该算法对 8 种标准菌株（含革兰氏阳性菌和革兰氏阴性菌）的光谱数据进行训练后，能精准识别细微光谱差异，即便对光谱特征相似的细菌也能有效区分。
图 3：对比 4 种机器学习算法性能，凸显支持向量机在细菌识别中的优势。
在临床验证阶段，研究团队从两家医院收集了 824 株临床菌株（涵盖痰液、尿液、血液等多种样本来源），采用自动化 VITEK 2 系统鉴定结果作为金标准。测试显示，该平台与金标准一致性高，仅铜绿假单胞菌和鲍曼不动杆菌存在少量误判，推测与细菌成分与传感元件相互作用导致指纹特征相似有关。
图 4：对比该技术与传统方法流程，展示其在临床菌株测试中的准确率与预测结果。
目前，该平台仍需对细菌菌落进行预处理以制备悬浮液，未来研究将整合微流控浓缩和纳米材料信号放大技术，实现复杂临床样本直接检测。同时，团队计划通过集成学习等算法优化，扩大可识别细菌种类，进一步提升对近缘物种的区分能力，推动其在感染性疾病诊断中的临床转化应用。
参考文献：Yu W, Long Y, Luo J, et al. Machine Learning-Assisted Terahertz Metagrating Biosensor for Label-Free Bacterial Identification Based on Spectral Fingerprinting[J]. Analytical Chemistry, 2025.
来源：微生物安全与健康网，作者~徐礼龙。
