SERS Chemical Tongue for Rapid Detection of Chili Oils Assisted with a Convolutional Neural Network

기술 요약: 합성 신경망(CNN)을 이용한 고추기름의 신속 검출을 위한 SERS 화학적 혀(Chemical Tongue)

문제 제기
고추기름은 전 세계적으로 중요한 조미료이지만, 다양한 오일 베이스, 고추 품종 및 부재료로 구성된 복잡한 매트릭스로 인해 품질 평가에 어려움이 있다. 캡사이신(주요 매운맛 성분)에 대한 전통적인 검출 방식은 크로마토그래피 분리에 의존하는데, 이는 고가의 장비와 광범위한 전처리를 필요로 하므로 신속한 현장 분석에는 부적합하다. 화학 센서 어레이("화학적 혀")는 잠재적인 대안을 제공하지만, 기존의 표면 증강 라만 산란(SERS) 센서는 주로 물리적으로 흡착되거나 자기 조립된 소분자 수용체를 사용한다. 이러한 수용체들은 리간드 탈착 문제와 비극성, 오일이 풍부한 매트릭스에서의 낮은 안정성 문제를 겪는다. 또한, 이전의 SERS 화학적 혀 응용 사례는 주로 수용성 또는 알코올 시스템(예: 바이주)에 국한되었으며, 순수 고추기름과 같이 점도가 높고 간섭이 빈번한 환경에서의 성공 사례는 보고된 바 없다. 아울러, SERS 데이터를 활용하는 기존의 머신러닝 접근 방식은 라만 스펙트럼의 이중적 특성(날카로운 피크와 영역적 추세)을 포착하지 못하거나, 통합적 분석 대신 단일 작업(분류 또는 회귀)만을 수행하는 경향이 있다.

방법론
저자들은 새로운 재료 기반의 SERS 화학적 혀와 맞춤형 합성 신경망(CNN)을 결합한 하이브리드 플랫폼을 개발하였다.

• 센서 제작 (재료 혁신): 연구팀은 탄소화된 폴리머 도트(CPDs)로 기능화된 자성 코어-은 쉘 나노입자(MNP@Ag)를 사용하여 세 가지 뚜렷한 SERS 센서를 합성하였다. CPD는 은 표면 위에서 방향족 분자(4-아미노티오페놀, 벤조산, 4-히드록시티오페놀)의 in-situ 마이크로파 탄화 과정을 통해 생성되었다. 전통적인 방식과 달리, 이 공정은 공유 결합인 C–N/Ag 및 C–O/Ag 결합을 형성하여 수용체를 표면에 "고정"시킨다. 이러한 설계는 비극성 오일 매트릭스 내에서 탁월한 안정성을 보장하며 수용체의 탈착을 방지한다. 세 가지 센서(MNP@Ag-CPDA, MNP@Ag-CPDAB, MNP@Ag-CPDH)는 서로 다른 풍미 성분에 대해 상보적이고 교차 반응적인 응답을 제공한다.
• 데이터 획득: 순수 및 혼합 고추기름 샘플로부터 세 가지 센서를 사용하여 라만 스펙트럼을 수집하였다. 개별 스펙트럼은 머신러닝 모델의 입력값으로 사용하기 위해 하나의 "슈퍼 스펙트럼"으로 결합되었다.
• 알고리즘 설계 (CNN 혁신): SERS 스펙트럼 특징에 특화된 맞춤형 멀티태스크 CNN이 개발되었다. 주요 구조적 요소는 다음과 같다:
  • 병렬 풀링(Parallel Pooling): 날카롭고 변별력 있는 라만 피크를 보존하기 위한 병렬 맥스 풀링(max-pooling)과 전역적 스펙트럼 추세를 유지하고 노이즈를 줄이기 위한 평균 풀링(average-pooling)을 사용하는 입력 단계 및 이들의 합산 과정이 포함된다.
  • 이중 출력 헤드(Dual Output Heads): 네트워크는 다중 클래스 분류(오일 유형/고추 품종 식별)와 회귀(캡사이신 농도 정량화)를 동시에 수행한다.
  • 데이터 증강(Data Augmentation): 샘플 부족 문제를 해결하기 위해 가우시안 노이즈, 파수 이동(wavenumber shifts), 베이스라인 드리프트를 사용하여 실제 측정 시 발생하는 섭동을 모사함으로써 학습 데이터를 증강하였다.
• 실험 범위: 본 연구는 단순 매트릭스(순수 유채꽃유, 이성분 오일 블렌드)와 복합 매트릭스(동물성 오일, 다양한 첨가물이 포함된 삼성분 블렌드 및 상업용 샘플)를 대상으로 평가하였다. 성능은 기존 머신러닝 모델(KNN, SVM, LDA) 및 선형 회귀(PLS-R)와 비교 검증되었다.

주요 결과

• 센서 성능: CPD로 기능화된 센서는 높은 안정성과 민감도를 보였으며, 캡사이신에 대한 검출 한계(LOD)는 9.1 ng/mL를 달고했다. 센서는 우수한 배치 간 재현성(RSD < 2%)과 28일간의 안정성을 입증하였다.
• 정성적 분류:
  • 순수 고추기름의 경우, CNN은 100% 식별 정확도를 달성하여 KNN(90.00%), SVM(94.44%), LDA(99.26%)를 능가하였다.
  • 복합 혼합 고추기름(다양한 오일 유형, 고추 품종 및 첨가물 포함)의 경우, CNN은 99.63%의 정확도와 99.63%의 macro F1 점수를 유지하며 KNN(84.44%), SVM(88.15%), LDA(96.67%)를 크게 앞질렀다.
• 정량적 회귀: 캡사이신 정량화에 있어, CNN은 단순 및 복합 매트릭스 모두에서 PLS-R을 일관되게 능가하였다.
  • 복합 매트릭스(Series 5)에서 CNN은 $R^2$ 0.979, RMSE 0.306을 달성하였으며, 이는 PLS-R의 $R^2$ 0.889, RMSE 0.699와 대비된다.
  • CNN은 매트릭스 간섭에 대해 우수한 강건성을 보여, 선형 모델보다 높은 $R^2$ 값과 낮은 오차율(RMSE, MAE)을 유지하였다.
• 메커니즘: 본 연구는 센서가 특정 상호작 작용을 통해 고추기름 성분에 반응함을 규명하였다: 수소 결합(히드록실 기능화 센서), 소수성/$\pi$-$\pi$ 상호작용(아릴 변형 센서), 그리고 풍미 분자에 의해 촉진되는 레이저 유도 이량체 형성(DMAB, 아미노 기능화 센서)이 그것이다.

의의 및 주장
저자들은 본 연구가 복잡한 100% 오일 상(phase) 식품 매트릭스에 SERS 기반 화학적 혀를 성공적으로 적용한 첫 사례라고 주장한다. 본 연구의 의의는 다음 세 가지 핵심적 진보에 있다:

1. 재료 안정성: 공유 결로 고정된 CPD를 "범용 수용체"로 도입함으로써, 비극성 매체에서 발생하는 기존 SALS 화학적 팽창의 결정적 문제인 수용체 탈착 문제를 해결하였다.
2. 알고리즘 최적화: 병렬 풀링과 이중 출력 헤드를 갖춘 전용 멀티태스크 CNN의 개발을 통해, 복잡한 식품 샘플에 대한 정성 및 정량 분석을 동시에 고정밀도로 수행할 수 있게 되었으며, 이는 기존의 화학계량학 및 일반적인 머신러닝 모델을 능가한다.
3. 실용적 적용: 본 플랫폼은 고추기름의 품질과 캡사이신 함량에 대한 신속하고 정확하며 현장 적용 가능한 검출을 가능하게 하여, 확장되는 글로벌 고추기름 시장의 신뢰할 수 있는 품질 평가 요구를 충족시킨다.

본 논문은 CPD 기반 범용 수용체와 SERS 특화 멀티태스크 CNN의 시너지 효과 있는 통합이 고추기름 및 유사한 식용유 제품의 신속한 특성 분석을 위한 실행 가능한 솔루션을 제공한다고 결론지었으며, 향후 샘플 라이브러리를 확장하고 현장용 휴대형 기기를 개발할 계획임을 밝혔다.