2022年11月3日，中科院长春光机所李备研究员团队与江南大学陆震鸣教授团队应用长光辰英核心产品——P300共聚焦拉曼光谱仪在《Analytical Methods》期刊上发表了题为“Rapid detection of beer spoilage bacteria based on label-free SERS technology”的文章，同时该文章被选为《Analytical Methods》的封面文章。文章旨在使用无标签SERS技术快速鉴定啤酒腐败菌。

研究背景

乳酸菌是啤酒常见的腐败细菌，在一次和二次发酵、储存、过滤和包装等啤酒生产的各阶段都需要监测和控制，但常规的腐败细菌检测方法耗时长，一般需要2-3天才能出结果，不能满足生产过程实时、原位、快速检测的需求。

SERS技术相比于常规拉曼光谱信号更强，灵敏度更高，非常适合用来啤酒腐败菌的检测。而无标签SERS技术开发成本低，效果好，非常适合商业化。

研究内容

首先对现有无标签SERS技术纳米银制作工艺进行改进。探究了KCL@纳米银集聚效应对SERS增强的效果。最终对8种啤酒酿造过程中的啤酒腐败菌进行SERS鉴定。采用t-SNE降维分析算法对细菌SERS光谱进行初步聚类分析。可以肉眼看出每种细菌SERS光谱存在差异。

图 1 细菌SERS光谱，t-SNE结果图

其次利用SVM、KNN、LDA机器学习算法对SERS光谱进行聚类鉴定。得到的识别准确率都在90%以上，达到了很好的区分效果。其中SVM算法识别率最好，均值在93.43%，高于KNN算法（93.21%）和LDA算法（89.93%）。

图 2 SVM、KNN、LDA机器学习混淆矩阵，结果对比图

最后对实验结果进行稳定性分析和混菌测试。我们将已知的两种腐败菌混入纯净的啤酒恒温培养一段时间后对啤酒中细菌进行检测鉴定。最终在样品中成功检出了这两种腐败菌。而且光谱稳定性良好。

图 3 混菌验证和光谱稳定性测试

结论

为了提高细菌SERS检测的灵敏度和信噪比，实现腐败菌的快速鉴定，我们使用无标签SERS技术对啤酒酿造过程中的8种啤酒腐败菌进行SERS鉴定。使用镀铝芯片为基底，探讨了 AgNps 浓度、AgNps 和细菌作用时间对结果的影响。最后，结合t-SNE降维分析算法、SVM、KNN和LDA机器学习算法，进一步研究了该方法对最终识别率的影响。这三种机器学习算法的准确率都在90% 左右，在识别啤酒腐败菌方面表现良好。SVM 的平均值为 93.43%，在该组中准确率最高。最后，选择两种啤酒腐败菌添加到未受污染的啤酒中进行混合培养，以证实该方法的可行性。最后将SERS光谱与数据库中的SERS光谱进行了相似度对比，结果表明可以准确识别已知腐败菌的SERS光谱。光谱的稳定性和重复性良好。缺点是无法准确检测数据库外的病菌，需要不断扩容数据库。

总体而言，当前的工作具有巨大的进步潜力。在检查了对 SERS 增强细菌的许多成分进行检查的调查细节后，采用了镀铝芯片来进一步增强信号强度。通过对细菌荧光干扰的强烈抑制，以及获得信噪比显著高于其他研究的细菌SERS光谱，进一步提高了机器学习检测啤酒腐败菌的准确性。根据最终的验证研究，该技术确实可以从模拟样品中识别出目标腐败菌。这对啤酒酿造过程中的腐败菌的快速鉴定具有极大意义。

文章链接：

https://doi.org/10.1039/D2AY01221A