《Microchemical Journal》：Quantum cognition machine learning-enhanced carbon quantum dot biosensors for antibiotic residue detection in aquatic ecosystems
編輯推薦：
抗生素殘留檢測面臨傳統方法靈敏度低、實時性差等問題，本研究提出量子增強支持向量分類器（QSV-BO）結合碳量子點（CQD）生物傳感器，通過量子特征映射與Barber優化動態調整參數，實現多環境條件下高精度檢測（準確率97.1%-96.6%）。
Aarav Kannan Jayakumar | R. Rajalakshmi
生物醫學工程系，SRM科學技術學院，金奈 600089，印度
摘要
水生生態系統中的抗生素污染對生態和健康構成了重大威脅。傳統的色譜和光譜檢測方法成本高昂、耗時較長，并且缺乏實時適應性。因此，迫切需要快速、靈敏且智能的檢測系統。現有的生物傳感方法雖然能夠適應多種環境條件，但往往缺乏緊湊性和靈敏度；而目前的機器學習模型在生物傳感器信號解釋方面的表現也不穩定。為了解決這些問題，本文開發了一種基于量子增強支持向量分類器（QSV-BO）的方法，該方法結合了碳量子點（CQD）生物傳感器、量子計算和元啟發式優化技術來檢測抗生素殘留物。QSV-BO通過量子核的超參數調整來增強多維特征空間中的決策邊界。該框架結合了量子特征映射以改善特征表示，并利用Barber優化算法實現高效參數搜索、泛化處理以及在復雜水生信號數據中的靈敏度控制。數據集包含了不同濃度和環境因素下的信號變化組合，并通過有限的真實傳感器數據來提高模型的魯棒性。輸入特征經過最小-最大歸一化處理以實現統一縮放和增強穩定性。量子核計算提高了信號的可分離性，而Barber優化則實時調整支持向量和量子電路參數。數據處理、建模和評估使用了Python和TensorFlow框架。QSV-BO模型對環丙沙星、阿莫西林、紅霉素和四環素的檢測準確率分別達到了97.1%、96.3%、95.4%和96.6%，同時具備抵抗環境噪聲和變化的能力。總體而言，這一混合系統為水生環境中抗生素殘留物的智能檢測提供了一種可擴展、適應性強且精確的解決方案。
引言
過去十年的研究表明，地表水、飲用水、地下水和沉積物中的抗生素濃度普遍較高。即使在慢性亞治療水平下，自然水系統中存在抗生素也會令人擔憂，因為這些物質會降低微生物多樣性，增加耐藥基因的數量，并對魚類和藻類等水生生物的健康產生負面影響。根據世界衛生組織（WHO）的數據，到2050年，抗生素耐藥性細菌感染可能成為全球主要的死亡原因之一，超過許多其他主要死亡原因，使得抗菌素耐藥性（AMR）成為一個嚴重的全球性問題[1]。
抗菌素耐藥性的增加降低了抗生素的治療效果，而這些抗生素對于治療人類和動物的細菌感染至關重要，同時也增加了手術的風險。由于廢水條件和持續暴露于亞抑制劑水平的抗菌劑會促進耐藥基因（ARGs）和耐藥細菌（ARBs）的生長，水系統成為了這些細菌形成的熱點。污水中的耐藥微生物濃度高于未受污染的水體，這表明人類活動對微生物耐藥性的形成起到了重要作用。因此，水生環境中殘留的抗生素會導致環境和公共衛生問題[2]。藥物徑流、廢水排放以及不當的藥物處理是抗生素進入淡水系統的主要途徑。由于集約化水產養殖、農業和人類醫療的廣泛使用，水生環境受到了嚴重污染[3]。水產養殖因其高細菌多樣性和抗生素使用而成為抗菌素耐藥性傳播的“遺傳熱點”，而污水處理廠和工業設施也會將抗生素排放到地表水和地下水中。畜牧業產生的徑流也會引入抗生素，從而加劇了生態和公共衛生風險[4]。
盡管傳統抗生素檢測技術被廣泛使用，但它們存在許多缺點。液相色譜-質譜（LC-MS）在低分析物濃度時難以實現準確定量，導致假陰性結果增加；質譜技術需要較大的初始投資和強大的基礎設施。雖然側向流動免疫測定法可以實現快速檢測，但如果需要預處理（如稀釋、純化或緩沖液修改）則可能會延遲檢測結果。這些限制凸顯了開發更先進檢測技術的必要性，以便盡早發現抗生素殘留物[5]。
電化學生物傳感器是實用的替代方案，因為它們價格低廉、便攜且易于使用。它們可以實時測量污染物濃度，并基于可測量的電信號轉換進行檢測。這些傳感器在健康和環境監測中具有廣泛應用，能夠檢測細菌、病毒、抗生素、殺蟲劑和藥物等。快速可靠的檢測對于公共衛生和環境監測至關重要[6]。
碳量子點（CQDs）具有出色的光致發光性能、低毒性和生物相容性，額外的功能化處理可以提高其與目標分析物的兼容性。CQDs可以采用多種方法檢測多種污染物，包括電化學檢測、吸附消除法和熒光淬滅法。CQDs是理想的納米材料，適用于復雜混合物中的快速、靈敏和準確檢測（例如在更高級的生態或生理應用中）[7]。
生物傳感平臺認為碳點（CDs）作為下一代熒光探針具有顯著優勢，因為它們具有高水溶性、高量子產率和生物相容性以及可調的熒光特性。零維碳基材料利用電子轉移（ET）、聚集誘導發射（AIE）、聚集引起的淬滅（ACQ）、熒光共振能量轉移（FRET）和內濾光效應（IFE）等多種機制，能夠實現對多種分析物的復雜和區分性分析。由于更好的發光性能、低毒性和經濟合成成本，CQDs在食品保存、生物醫學診斷和環境監測中的應用得到了改進[8],[9]。
盡管目前的研究主要集中在少數幾種已知物質上，但關于水生生態系統中藥物污染物的研究正在擴展。盡管阿奇霉素被廣泛使用，但對其環境命運、檢測方法和生態毒性危害的關注卻很少。現有的監測方法往往缺乏對大環內酯類抗生素及其代謝產物、耐藥性誘導潛力的特異性，對其存在情況、檢測難度、生態持久性和潛在后果的評估也相對不足[10],[11]。
快速準確的抗生素分析面臨諸多障礙。復雜的基質和眾多干擾成分會降低靈敏度和準確性。食品或水樣中的抗生素含量通常不足以直接檢測，且容易受到環境因素的影響而發生變化。這些因素使得精確識別和定量變得更加困難，因此在水生系統中迫切需要先進的檢測技術[12]。
本研究重點開發了一種基于量子增強支持向量分類器（QSV-BO）的方法，利用CQD生物傳感器智能檢測抗生素殘留物。該方法結合了量子特征映射和元啟發式優化，實現了動態超參數調整，從而在變化的水生環境中提高了靈敏度和檢測質量。本研究的主要貢獻包括：
量子增強分類： 新設計的量子增強支持向量分類器（QSV）利用量子核映射來增強特征區分能力和決策準確性。
自適應優化機制： Barber優化（BO）是一種動態的超參數調整和優化技術，提高了模型在水生環境中的泛化和魯棒性。
混合信號整合： 本研究將多種數據源（熒光、電化學和環境數據）整合到一個混合數據集中，以增強抗生素殘留物檢測模型的相關性和靈敏度。
高性能驗證： 對回歸和分類準確性（RMSE、R2和F1分數）進行了質量驗證，證明了模型的魯棒性及其適應噪聲和數據差異的能力。
后續章節的安排如下：第1節介紹抗生素污染及其生態影響，第2節回顧了現有的檢測和機器學習研究，第3節詳細介紹了QSV-BO方法，包括數據收集和數據準備，第4節提供了實驗設置和結果，第5節討論了可能的分析解釋，第6節總結了主要發現和未來發展方向。
相關研究
為了提高環境監測中多種污染物的檢測能力，一種新方法結合了深度學習（DL）技術（基于卷積神經網絡（CNN）的長短期記憶（LSTM）注意力機制和氮摻雜的CQD（N-CQDs），如[13]所述。采用水熱技術制備了尺寸一致、量子產率為42±6%的N-CQDs。通過帶有注意力機制的混合CNN-LSTM模型對熒光光譜進行了評估
方法論
本研究采用了一種多模態計算實驗方法，結合量子機器學習和CQD生物傳感技術來準確檢測水生環境中的抗生素殘留物。對環境、電化學和熒光信號進行最小-最大歸一化處理，以保持數值穩定性和特征縮放。
結果
研究結果集中在實驗設置、測試方法和QSV-BO框架的評估結果上。研究發現，該方法的檢測準確性較高，信號分析結果也有所改進，在不同水條件下實現了抗生素殘留物的準確分類，顯示出智能監測和環境評估的高靈活性、魯棒性和計算效率。
討論
為了提高抗生素殘留物識別的準確性，增強水生數據的特征表示，并實現動態、高靈敏度的污染監測，本研究開發了一個基于QSV-BO的量子機器學習框架。盡管基于cGCN/AuNP的電化學生物傳感器在SARS-CoV-2檢測中實現了0.8 fM的超高靈敏度（LOD），但在實際樣本可靠性、長期穩定性和其他方面仍存在挑戰
結論
研究表明，基于QSV-BO模型的量子增強混合系統提高了抗生素殘留物的檢測能力，增強了環境監測的準確性，并通過CQD傳感器實現了對異質水環境中污染的適應性評估。傳感器數據結合了熒光、電化學和環境參數，以反映不同水生環境的特點。預處理過程中使用了最小-最大歸一化，確保所有數值的準確性
CRediT作者貢獻聲明
Aarav Kannan Jayakumar： 負責撰寫初稿、項目管理、方法論設計、研究實施、資金獲取、數據分析、概念構思。
R. Rajalakshmi： 負責審稿和編輯、數據可視化、驗證工作以及監督和資源協調。利益沖突聲明
作者聲明他們沒有已知的財務利益或個人關系可能影響本文的研究結果。
