抗生素的大量使用引发了其在食品中残留问题，这迫切需要快速、准确的检测方法。本研究将智能手机辅助的深度学习（DL）与适配体功能化的MIL-101(Fe)纳米酶相结合，构建了一种能够同时识别和定量卡那霉素（KAN）和卡那霉素B（KMB）的双识别生物传感器。MIL-101(Fe)表现出强吸附能和高Langmuir拟合容量（KAN为28.39 mg/g；KMB为31.36 mg/g），表明其在Fe─OH位点发生单层结合，并部分抑制了催化活性。适配体修饰实现了选择性分子识别并加速了电子转移，协同增强了纳米酶性能。结合基于残差神经网络（ResNet）的多任务模型，智能手机成像实现了对单一和混合样品的准确分类，以及在5–1000 nM浓度范围内的精确量化。在蜂蜜和牛肉中的测试显示回收率为84.71%–111.50%，证实了其稳定性和实用性。总体而言，适配体增强的MIL-101(Fe)纳米酶结合深度学习，为食品中抗生素残留的现场监测提供了一种灵敏、便携的方法。
**基于适配体功能化MIL-101纳米酶双识别与催化调节机制的深度学习传感平台用于卡那霉素与卡那霉素B同步检测的研究解读**
本研究针对食品安全领域抗生素残留快速、便携检测的重大需求，开展了将纳米酶催化与人工智能深度融合的创新性工作。论文发表在《Food Frontiers》期刊上。
**研究背景与问题提出**
氨基糖苷类抗生素在兽医和临床医学中不可或缺，但其残留物，特别是卡那霉素（KAN）及其衍生物卡那霉素B（KMB），因其严重的肾毒性和促进抗生素耐药性而对公众健康构成重大风险。尽管液相色谱-串联质谱法（LC–MS/MS）是检测金标准，但其依赖中央实验室，难以实现快速现场筛查。比色传感器因其视觉读出和操作简便性成为有前景的替代方案。传统平台常使用金或石墨烯等纳米材料，但这些材料在复杂生物基质中易发生不可逆聚集，且催化活性受限。金属有机框架（MOF）作为一种由金属离子和有机配体构成的多孔晶体材料，因其出色的稳定性、大比表面积和可调结构而被广泛用作传感材料。MIL-101通过高效的Fe
3+/Fe
2+氧化还原循环表现出优异的类过氧化物酶（POD-like）活性，但其原始MOF固有的选择性缺乏仍是瓶颈。因此，集成生物识别元件至关重要。适配体作为“化学抗体”，比蛋白质抗体或天然酶具有更好的热稳定性、更低的生产成本和更便捷的位点特异性偶联能力，是整合到MOF坚固多孔网络中的理想选择。然而，此类纳米酶的实际应用常受制于传统比色法的固有局限性，如对细微颜色变化敏感性低以及易受环境光波动影响。为此，将纳米酶与人工智能融合已成为变革性趋势。本研究旨在解决如何同时实现对两种结构相似抗生素的高选择性、高灵敏度同步检测以及现场便携化分析的难题。
**研究内容与结论**
研究人员创新性地构建了一个基于适配体功能化MIL-101(Fe)纳米酶的双识别传感平台，并结合智能手机成像与深度学习算法，实现了对食品基质中KAN和KMB的同步检测。研究首先合成了具有高比表面积、明确孔隙率和固有POD活性的MIL-101(Fe)纳米酶。通过系统表征和吸附实验证实，MIL-101对KAN和KMB表现出强吸附能力，吸附过程符合Langmuir单层吸附模型和准二级动力学模型，表明吸附主要由化学吸附主导。理论计算和光谱分析揭示了相互作用机制：KAN/KMB主要通过氨基、羟基和羰基与MIL-101的Fe中心形成配位键，并可能发生氢键作用，这改变了Fe活性中心的电子环境和空间构型，抑制了其催化活性。然而，原始MIL-101对结构类似的氨基糖苷类抗生素存在交叉反应，选择性不足。
为克服此局限，研究人员引入KAN特异性适配体进行功能化修饰。适配体不仅通过静电吸附成功固定在MIL-101表面，形成稳定的MIL-101@Apt/KAN三元复合物，显著增强了对KAN/KMB的吸附容量，而且通过优化MIL-101的费米能级、价带/导带位置等电子环境，同步提升了其吸附和催化性能。在优化条件下，MIL-101@Apt传感平台对KAN和KMB的检测限分别达到0.89 nM和0.66 nM，线性范围为5-1000 nM，且对结构类似物的交叉反应率大幅降低至5.9%。在蜂蜜和牛肉样品中的加标回收实验显示，回收率在84.71%-111.50%之间，相对标准偏差（RSD）小于4.36%，验证了其在实际复杂基质中的准确性和可靠性。
为了实现现场快速检测，研究人员开发了一个智能手机辅助的深度学习分析系统。该系统采用定制的3D打印暗箱进行图像采集，并构建了一个基于残差网络（ResNet50）的多任务深度学习模型。模型采用共享特征提取器和独立回归头设计，能够从颜色图像中同时提取特征并分别预测KAN和KMB的浓度。与传统的线性判别分析（LDA）相比，深度学习模型在处理复杂生物传感数据方面表现出显著优势，在测试集上的预测浓度与实际浓度高度一致，决定系数（R
2）大于0.99，均方根误差（RMSE）较低。在蜂蜜和牛肉基质中的验证实验中，对单一和混合样品的预测准确率均超过95.2%，并与LC–MS方法结果吻合良好。
**主要关键技术方法概括**
本研究综合运用了多项关键技术：1）采用溶剂热法合成了MIL-101(Fe)纳米酶，并通过吸附动力学和热力学实验评估其对目标物的捕获性能。2）利用傅里叶变换红外光谱（FTIR）、X射线光电子能谱（XPS）、电子顺磁共振（EPR）等技术研究分子相互作用机制。3）采用密度泛函理论（DFT）计算模拟纳米酶与抗生素的结合构型、能量及电子结构变化。4）构建了基于ResNet50架构的多任务深度学习模型，用于从智能手机图像中同时分类和定量分析两种抗生素。研究样本队列来源于本地超市购买的蜂蜜和牛肉样品。
**研究结果详解**
**MIL101(Fe)的合成与表征**：通过溶剂热法成功合成了具有均匀八面体形貌和高结晶性的MIL-101(Fe)。材料表征显示其具有高比表面积（约745.73 m
2/g）和介孔结构，并具备显著的POD-like催化活性。自由基捕获实验证实其催化活性主要源于羟基自由基（
•OH）和超氧阴离子自由基（O
2•-）的产生。
**MIL-101对KAN和KMB的吸附性能**：吸附实验表明MIL-101能快速吸附KAN和KMB，最大吸附量分别为22.99和26.53 mg/g，过程符合Langmuir模型和准二级动力学模型。Zeta电位变化和光谱分析证实吸附主要通过静电和配位相互作用实现。
**KAN/KMB抑制MIL-101催化的表面相互作用机制**：FTIR和XPS分析表明，KAN/KMB通过其功能基团与MIL-101的Fe中心发生配位，导致Fe
3+向Fe
2+的部分还原和电子转移，改变了催化中心的电子环境。这干扰了自由基生成途径，从而抑制了POD-like活性。
**KAN/KMB与MIL-101相互作用的理论计算与选择性评估**：DFT计算揭示了MIL-101与KAN/KMB之间存在强结合（结合能分别为-77.09和-81.51 kcal/mol），主要源于羟基和氨基与Fe中心的配位。这种结合在空间上阻碍了底物TMB接近催化活性位点，并提高了反应能垒，从而抑制了催化活性。原始MIL-101对结构类似抗生素存在交叉反应。
**基于MIL-101@Apt传感平台的构建**：适配体修饰显著提升了材料对目标物的吸附能力和催化活性。在优化条件下，传感器对KAN和KMB展现出宽线性范围（5-1000 nM）和极低的检测限（0.89和0.66 nM），选择性和抗干扰能力大幅增强，在真实食品样品中表现出优异的准确度和精密度。
**智能手机辅助的DL实现KAN/KMB检测**：基于ResNet的多任务深度学习模型能够从智能手机拍摄的颜色图像中，准确提取特征并同时预测KAN和KMB的浓度。该模型在复杂食品基质中实现了对单一和混合样品的精准定量，预测准确率超过95.2%，并成功通过实际样品验证，为现场快速检测提供了智能化解决方案。
**总结讨论与结论**
讨论部分总结了本研究的主要创新与贡献：通过将适配体功能化MIL-101纳米酶与深度学习相结合，构建了一个强大的智能传感平台。适配体的引入不仅通过双识别机制（适配体特异性识别与纳米酶吸附）提升了检测的选择性，还协同优化了纳米酶的电子结构，增强了其催化信号输出，从而实现了在纳摩尔水平对KAN和KMB的同步检测。研究结论明确指出，该工作成功演示了一种基于适配体功能化MIL-101(Fe)纳米酶的抗生素残留监测智能平台。其核心在于利用分子识别与催化调节之间的协同作用。该平台结合深度学习，在复杂的牛肉和蜂蜜基质中实现了高精度、高重复性的检测，并具备便携、经济、可靠的即时检测（POCT）潜力，为常规食品安全监测和公共卫生响应提供了有力工具。未来研究可聚焦于通过共固定不同适配体或构建传感器阵列，来扩展平台的独立多重识别能力。
