近年来，结合多种信号转导元素的双模式生物传感器引起了广泛关注。已经成功开发了多种多模态检测系统，如电化学-比色[1]、电化学-电化学发光（ECL）[3]、电化学-光电化学[4][5]和荧光-比色[6][7]。这些集成系统保留了每种单独模式的优点，同时显著扩展了动态检测范围，并提供了互补的、交叉验证的结果[8][9]。其中，比色-荧光生物传感器结合了比色的视觉直观性和荧光的高灵敏度，实现了双模式信号的同时输出和交叉验证，从而大大提高了检测可靠性。在我们之前的工作中，我们开发了一个比色-荧光平台，能够提供同步的双模式信号，从而在单次测试中实现有效的预测和自校准[10]。此外，其光学信号与智能手机的兼容性促进了低成本、便携式即时检测（POCT）系统的开发。
尽管比色-荧光输出生物传感器已应用于生物目标的定量分析，但其数据处理仍主要限于简单的信号求和或独立处理（例如，“开/关”状态），未能超越传统的单信号范式[10][11]。不同模式信号之间潜在的复杂关联使得手动解释容易受到主观偏见的影响，这促使了人工智能（AI）在这一领域的应用[12]。特别是，机器学习（ML）技术可以揭示多模态数据中嵌入的互补信息，并识别跨模式预测特征。当某些模式存在噪声或不完整时，其他模式的信息可以提高预测的稳健性和准确性[13]。例如，Yu等人使用人工神经网络（ANN）融合了光热和比色信号，提高了心肌肌钙蛋白的检测准确性[14]。然而，AI模型由于其“黑箱”特性常常引发担忧：预测可能依赖于虚假的相关性而非真实特征，导致泛化能力差和可解释性有限[15]。随着可解释技术（尤其是Shapley加性解释（SHAP）技术和高通量特征提取的进步，这类模型的决策过程变得更加透明，能够识别关键特征和节点，从而提高可靠性和可重复性。我们之前已将SHAP技术应用于单模态数据分析，阐明了AI优于传统方法的机制[16][17]。然而，其在多模态融合和准确性增强中的应用仍很大程度上尚未探索。
构建高效的比色-荧光生物传感器需要合理设计信号转导过程。酶级联反应以其信号放大能力而闻名，为比色传感提供了一种有前景的策略——以基于葡萄糖氧化酶（GOx）和辣根过氧化物酶（HRP）的广泛使用的传感器为例[18][19]。然而，在实际应用中，酶常常受到环境条件的限制，影响其稳定性和催化效率。为了提高操作稳定性、存储性能和可重复性，酶通常被固定在多孔纳米载体中。金属-有机框架（MOFs），如沸石咪唑框架-8（ZIF-8），具有明确的孔结构、高表面积和出色的负载能力，是酶固定的理想平台[20]。将GOx和HRP共封装在ZIF-8中可以实现TMB的梯度氧化，从而实现比色葡萄糖检测[19]。巧合的是，我们之前的工作还在ZIF-8表面添加了金纳米簇（AuNCs），利用空间限制增强了荧光[21]。通过ZIF-8降解引起的荧光淬灭实现了目标检测[17]。因此，ZIF-8介导的装载系统为构建稳定的比色-荧光传感模式和验证双模式预测模型的准确性提供了坚实的基础。
本文提出了一种基于可解释机器学习的多模态融合策略，以增强比色-荧光双模式生物传感器的数据处理能力。通过将GOx和HRP共封装在ZIF-8中，并用AuNCs修饰表面，构建了一个基于酶级联的传感平台，称为Au-ZIF@GOx/HRP。该系统实现了TMB的梯度氧化和ZIF-8的裂解，实现了高灵敏度的葡萄糖双模式检测。在其基本传感性能的基础上——线性范围为0–60 μM，检测限分别为2.48 μM（比色法）和2.11 μM（荧光法）——通过RF模型整合双模态数据，在图像采集后2秒内实现了出色的分析性能（R² = 0.97），并在102名真实患者中获得了出色的诊断准确性（AUC = 0.989）。可解释性分析显示，该模型有效整合了互补特征并抑制了噪声，显著提高了预测的稳健性和准确性。与仅使用AI进行信号处理的先前研究不同，本研究深入探讨了“黑箱”内部机制，利用可解释的ML揭示了多模态融合性能提升的根本原因，从而为智能生物传感器设计提供了新的范式。
