Adv Sci丨刘文婧/刘春雨团队开发可解释性SERS–AI平台：实现多种病原菌的快速定量检测

多菌混合样本的识别在公共卫生监测、农业环境及生态微生物学等领域具有重要意义。传统方法如培养分离和 PCR 等分子检测，虽然在单菌鉴定上可靠，但在处理复杂、多种共存或低丰度菌群样本时存在耗时长、定量能力有限等局限。在短时间内准确鉴定不同病原菌并量化其比例，不仅能够指导临床抗感染治疗，提高疗效，减少抗生素滥用，还能在公共卫生和环境微生物学领域实现病原菌动态监测与风险评估。随着光谱学技术与人工智能分析的发展，如何将高灵敏度检测与智能数据处理相结合，实现复杂混合菌样本的实时、定量、可解释识别，已成为感染学、环境微生物学及智能诊断等交叉领域亟需突破的核心科学问题。

农业农村部环境保护科研监测所联合天津医科大学第二医院等多家单位，在国际期刊Advanced Science上发表了题为：An Interpretable SERS–AI Platform for Rapid and Quantitative Diagnosis of Polymicrobial UTIs: Powered by Positively Charged Plasmonic Nanoparticles and Attention-Based Deep Learning的研究成果，提出了一种可解释性表面增强拉曼光谱–人工智能（SERS–AI）诊断平台。该平台不仅能够在短时间内对复杂样本中的多种病原菌进行高灵敏识别和比例定量，还为传统检测方法难以应对的多菌混合感染问题提供了全新的解决方案。值得注意的是，该技术不仅适用于临床样本分析，也可拓展至农业环境监测、食品安全检测及生态微生物研究，实现实验室研究向实际应用的跨场景推广。通过将高灵敏度光谱检测与可解释人工智能结合，该研究为多菌混合样本的快速分析、抗性机制解析以及智能化临床决策提供了创新性方法学范例，展示了光谱技术与人工智能在精准医疗及环境微生物研究中的广阔应用前景。

研究团队设计了带正电的Au@Ag@bPEI复合等离激元纳米材料，可高效捕获带负电的细菌并显著增强拉曼信号，实现了不同菌种间的高灵敏度区分。基于此，团队构建了结合卷积神经网络（CNN）与卷积块注意力模块（CBAM）的人工智能模型，使AI不仅“能分辨”，更能“看得懂”。该模型在多菌混合样本中实现了95.8%的分类准确率（AUC = 0.9774）与R² = 0.9112的比例预测性能，远超传统算法。

图1：光谱+智能用于尿液病原菌诊断的流程图。

与传统“黑箱式”AI不同，CBAM模块的引入使模型具备了可解释性。模型自动聚焦于与核酸、蛋白质、毒力因子相关的关键拉曼谱段（如655、725、959、1331 cm⁻¹），揭示了病原菌表型与分子振动之间的内在联系。这种“光谱–表型”对应关系为后续的抗性机制分析与临床判读提供了理论支撑。

在真实环境样本中，该平台实现了86.9%的识别准确率和R² = 0.8626的比例预测能力，验证了其在多菌感染临床诊断中的可行性与稳定性。该技术具有无需标记、检测时间短、解释性强等优势，为未来的高通量病原体检测、感染分型与耐药性预测提供了新方向。

总之，本研究提出的可解释性 SERS–AI 平台突破了传统光谱分析在复杂微生物样本检测中的局限，将人工智能对光谱数据的解析能力延伸至微生物表型层面。该平台不仅能够快速、精准地识别多菌混合样本并进行比例定量，还能够揭示光谱特征与微生物功能之间的内在联系，为为农业环境监测、食品安全、公共卫生及生态微生物研究提供了高通量、可解释的检测工具，并为多菌样本的快速分析与智能化监测提供了创新性方法学参考。研究成果展示了光谱–智能结合在多领域微生物分析中的潜力，为高通量环境病原体检测提供了创新性方法学范例。

农业农村部环境保护科研监测所刘文婧副研究员、贺泽英研究员、天津医科大学第二医院刘春雨主任/教授为本文共同通讯作者；农业农村部环境保护科研监测所申忠华博士、天津医科大学第二医院谢林国博士、及天津市北辰医院侯玉薇医师为本文共同第一作者。

DOI： 10.1002/advs.202513502

制版人：十一

BioArt

Med

Plants

人才招聘

学术合作组织

（*排名不分先后）

战略合作伙伴

（*排名不分先后）

转载须知

【非原创文章】本文著作权归文章作者所有，欢迎个人转发分享，未经作者的允许禁止转载，作者拥有所有法定权利，违者必究。