可解释靶向SERS用于细菌高精度鉴定与光谱条码挖掘

哈佛大学医学院的Young-Tak Kim等研究者于2026年4月在《ACS Nano》发表论文《Targeted Surface-Enhanced Raman Scattering for Highly Accurate Identification of Bacterial Species and Finding Spectral Signatures with Explainable Artificial Intelligence》。

该研究的通讯作者包括美国哈佛大学医学院的Synho Do博士，以及韩国延世大学的Dong-Kwon Lim教授。

论文创新点：

作者搭建了“靶向SERS + 深度学习 + 可解释AI（XAI）”的联合框架，通过甘露糖修饰金纳米颗粒（Mann-AuNPs）并在532 nm激发条件下工作，完成了对14种细菌96.1%高精度识别，同时提出“AI-selected spectral barcode（AI选择光谱条码）”思路，用于把AI决策过程进行可视化解释。

三句话读懂全文：

传统SERS用于细菌检测时，制约效果的关键并非仅在于AI模型能力不足，而在于SERS实验条件缺少系统性的优化；因此作者首次从“配体—纳米颗粒—激发波长”三个维度构建AI驱动的优化型SERS体系。

实验结果显示：当甘露糖修饰AuNPs与532 nm激光结合时，细菌表面的特征拉曼信号会被明显放大，从而使深度神经网络（DNN）对14种病原菌的识别准确率提升至96.1%。

作者借助SHAP可解释算法，在复杂拉曼光谱中筛选出“前五个关键峰”，进一步建立“AI-selected spectral barcode”，使AI不再停留在“黑箱”形态，而成为可直接理解的“光谱指纹识别系统”。

以往对复杂生物样品拉曼光谱的解析多依赖化学计量学方法，而引入人工智能（AI）后可进一步改善分析表现。细菌的精确鉴定对于脓毒症预防尤为关键，即便在条件更优的临床场景中同样如此。相较于其他方案，拉曼散射技术在突破传统检测局限方面具备明显优势。然而，在SERS优化与AI算法解释性层面，仍有一些尚未解决的难点。为此，本研究使用胶体金（Au）与银（Ag）纳米颗粒获取可重复的细菌表面增强拉曼散射（SERS）光谱，并系统考察等离子体纳米颗粒表面配体及激发波长对SERS细菌识别效果的影响。研究重点放在500–1300 cm⁻¹的生物指纹区。作者采用深度神经网络，在532 nm激发条件下，实现了以甘露糖修饰AuNPs为基础的靶向SERS体系对14种细菌96.1%的高分类准确率。此外，作者提出了一个用于阐明AI如何准确解读拉曼光谱的解释新框架。该框架借助归一化的正向Shapley加性解释值（npSHAP）来定位最关键的五个拉曼峰，并将其定义为“AI选择光谱条码”。研究表明，这些被识别出的光谱特征能够以直观且易理解的方式呈现，从而让细菌分类过程的解释更清晰、更可信。

图1. 用于AI细菌识别优化的SERS测量条件。

研究中系统组合了不同配体、纳米颗粒（NPs）以及激发波长。每种条件下展示的代表性拉曼光谱均