一种基于荧光碳量子点和机器学习算法快速检测肉类中细菌的方法

本发明属于食品微生物检测，具体涉及一种基于荧光碳量子点和机器学习算法快速检测肉类中细菌的方法。

背景技术：

1、食源性疾病带来的经济损失不可估量，食品安全是一个很重要的公共卫生问题。食源性致病菌的检测和鉴定在食品安全方面尤为重要，可以有效控制和预防食源性感染。细菌的检测和鉴定是医学和工业中迫切需要解决的问题。在工业中，许多产品在生产后必须经过细菌污染的筛选，然后才能放行，因此，对食品工业的管理必须特别严格。出于对公众健康的保护，对更快速的食源性病原体检测方法的需求越来越大。

2、近年来国内的食品检测机构对致病菌的检测几乎全是利用它们的形态特征和生理生化特性，用微生物培养的传统方式对致病菌进行分离鉴定。猪新鲜肉中细菌菌落总数不得高于1×106cuf/g，总大肠杆菌群不得高于1×104mpn/100g，不得检出沙门氏菌。这些传统检测手段均存在一定的缺陷，如常规的平板计数法耗时长、工作量大且易产生假阳性的情况。基于以上研究状况，需发明一种简单、准确、快速的方法检测致病菌。

3、随着纳米技术的不断进步，碳量子点(carbon quantum dots，cqds)，也称为碳点或碳纳米点，是一类具有显著荧光性能的零维碳纳米材料。它由超细的、分散的、准球形、尺寸低于10nm的碳纳米颗粒组成，具有优秀的光低毒性、环境友好、原料来源广、生物相容性好等诸多优点。cqds除了直接标记细菌表面外，还可以通过表面基团的差异与细菌结合，因此cqds可以通过能量转移或化学反应进行淬灭。使其在检测细菌领域的应用逐渐广泛起来；同时在生物成像、荧光传感、光电器件、能源材料等领域具有广阔的应用前景。

4、机器学习算法的基础是数据，通过对数据的学习和分析可以发现数据中存在的规律，并根据这些规律对未来的情况进行预测和模拟。机器学习算法的应用范围广泛，几乎涵盖了所有行业和领域，例如，医疗、金融、教育等领域。此外，机器学习算法还在图像和视觉识别、自然语言处理、智能推荐系统等多个领域有着广泛的应用。随着技术的不断发展和优化，相信机器学习算法将在更多领域得到应用，为人们的生活和工作带来更大的便利和效益。

5、利用机器学习算法检测肉类中的细菌相比传统的检测方法具有许多优势。首先，它可以大大提高检测的效率和准确性，减少人为误差。其次，它可以实现自动化检测，降低检测成本，提高检测效率。此外，机器学习算法还可以对细菌进行分类和识别，为食品安全提供更加全面和准确的保障。

技术实现思路

1、本发明的目的在于提供一种基于荧光碳量子点和机器学习算法快速检测肉类中细菌的方法。

2、为实现上述目的及其他相关目的，本发明提供的技术方案是：一种荧光碳量子点的制备方法，柠檬酸二氢铵分别与多粘菌素b、氨苄西林和庆大霉素混合均匀，然后将混合物磨成粉末，在170-190℃条件下进行反应；随后，将所得的固体溶解在超纯水中，然后离心取上清液；最后，用透析膜对上清液进行透析去除未反应的物质；冷冻干燥即可得到多粘菌素cqds、氨苄西林cqds和庆大霉素cqds三种碳量子点。

3、优选的技术方案为：20-40mg柠檬酸二氢铵分别与8-12mg多粘菌素b、氨苄西林和庆大霉素混合均匀。

4、为实现上述目的及其他相关目的，本发明提供的技术方案是：一种基于荧光碳量子点和机器学习算法快速检测肉类中细菌的方法，包括下列步骤：

5、步骤1：在固体lb培养基中培养志贺氏菌、大肠杆菌、金黄色葡萄球菌、铜绿假单胞菌和单核增生李斯特菌中的至少一种，取单菌落，用pbs缓冲液洗涤，然后加入无菌水中得到细菌重悬液，再用生物光谱仪测定细菌重悬液的od600值；再将细菌重悬液稀释至梯度浓度，分别得到梯度浓度的细菌重悬液；

6、步骤2：肉类中细菌的培养：

7、将肉用无菌水清洗后，分别切成肉块，杀菌后再将步骤1得到的梯度浓度的细菌重悬液接种到肉块中进行培养；然后用无菌水将肉块表面的细菌冲洗下来并收集，稀释到不同浓度：1.0×103cfu/ml、1.0×104cfu/ml、1.0×105cfu/ml、1.0×106cfu/ml和1.0×107cfu/ml；

8、步骤3：将同一浓度的细菌悬浮液取0.3-0.7ml收集液，分别与权利要求1或2所述的荧光碳量子点孵育后，用荧光分光光度计测量荧光强度值；使用(f0-f)/f0值生成训练矩阵，f0表示碳量子点溶液的荧光强度，f表示不同浓度细菌与碳量子点溶液结合后的荧光强度；数组生成的数据通过定制的机器学习算法进一步处理，包括最近邻算法、朴素贝叶斯方法、决策树、线性判别分析和支持向量机；

9、步骤4：对细菌的每个碳量子点进行多次系统复制，生成了一个全面的训练数据集；利用matlab内置的分类算法训练，随机选择程序将可用数据的70％分配为训练集，其余30％指定为测试集，并且不假设一种算法优于其他算法；最近邻算法、朴素贝叶斯方法、决策树、线性判别分析和支持向量机五种算法均能够成功地分离出细菌。

10、优选的技术方案为：所述梯度浓度为：1.0×103cfu/ml、1.0×104cfu/ml、1.0×105cfu/ml、1.0×106cfu/ml和1.0×107cfu/ml。

11、由于上述技术方案运用，本发明与现有技术相比具有的优点是：

12、1、本发明的方法，能够快速、准确的检测出食品中的细菌。

13、2、本发明的方法所利用的算法使用到的软件比较简单，只需利用matlab内置的分类算法训练及分析就可以准确分离不同种类的细菌。

14、3、本发明和现有的方法相比，该方法具有良好的特异性，缩短了检测时间，简化了操作流程，节约了检测成本。

技术特征：

1.一种荧光碳量子点的制备方法，其特征在于：柠檬酸二氢铵分别与多粘菌素b、氨苄西林和庆大霉素混合均匀，然后将混合物磨成粉末，在170-190℃条件下进行反应；随后，将所得的固体溶解在超纯水中，然后离心取上清液；最后，用透析膜对上清液进行透析去除未反应的物质；冷冻干燥即可得到多粘菌素cqds、氨苄西林cqds和庆大霉素cqds三种碳量子点。

2.根据权利要求1所述的荧光碳量子点的制备方法，其特征在于：20-40mg柠檬酸二氢铵分别与8-12mg多粘菌素b、氨苄西林和庆大霉素混合均匀。

3.一种基于荧光碳量子点和机器学习算法快速检测肉类中细菌的方法，其特征在于：包括下列步骤：

4.根据权利要求3所述的基于荧光碳量子点和机器学习算法快速检测肉类中细菌的方法，其特征在于：所述梯度浓度为：1.0×103cfu/ml、1.0×104cfu/ml、1.0×105cfu/ml、1.0×106cfu/ml和1.0×107cfu/ml。

技术总结一种基于荧光碳量子点和机器学习算法快速检测肉类中细菌的方法，包括：制作多粘菌素B、氨苄西林以及庆大霉素分别修饰的三种荧光碳量子点；三种荧光碳量子点分别与五种细菌进行孵育会出现荧光强度的差别；三种荧光碳量子点构建传感器阵列；利用基于机器学习算法的传感器阵列识别食源性微生物；利用常见肉类培养五种细菌；利用算法识别细菌；利用快速检测肉类中细菌的算法可为判别肉类是否可食用提供依据，也可为开发多种生物活性样品检测方法提供解决方案。技术研发人员：王芳彬,肖明慧,刘健,陈娟,张弦受保护的技术使用者：合肥工业大学技术研发日：技术公布日：2024/9/9