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

Technische Samenvatting: SERS Chemische Tong voor Snelle Detectie van Chili-olie Ondersteund door een Convolutioneel Neuraal Netwerk

Probleemstelling
Chili-olie is een wereldwijd betekenend condiment, maar de kwaliteitsbeoordeling ervan wordt bemoeilijkt door een complexe matrix bestaande uit diverse oliebases, chilivariëteiten en hulpstoffen. Traditionele detectiemethoden voor capsaïnoïden (de primaire prikkelende agentia) vertrouwen op chromatografische scheiding, wat kostbare instrumentatie en uitgebreide voorbehandeling vereist, waardoor ze ongeschikt zijn voor snelle analyse ter plaatse. Hoewel chemische sensorarrays ("chemische tongen") een potentieel alternatief bieden, maken bestaande Surface-Enhanced Raman Scattering (SERS) sensoren vaak gebruik van fysisch geadsorbeerde of zelfgeassembleerde kleinmoleculaire receptoren. Deze receptoren lijden aan liganddesorptie en een slechte stabiliteit in niet-polaire, olie-rijke matrices. Bovendien waren eerdere toepassingen van SERS-chemische tongen grotendeijs beperkt tot water- of alcoholsystemen (bijv. Baijiu), zonder gerapporteerd succes in de hoogviskeuze en interferentiegevoelige omgeving van pure chili-olie. Daarnaast maken bestaande machine learning-benaderingen voor SERS-data vaak gebruik van generieke architecturen die er niet in slagen de dualiteit van Raman-spectra (scherpe pieken en regionale trends) te vangen of slechts één enkele taak uitvoeren (classificatie of regressie) in plaats van geïntegreerde analyse.

Methodologie
De auteurs ontwikkelden een hybride platform dat een innovatieve materiaal-gebaseerde SERS-chemische tong combineert met een op maat gemaakte Convolutional Neural Network (CNN).

• Sensorfabricage (Materiaalinnovatie): Het team synthetiseerde drie verschillende SERS-sensoren met behulp van magnetische kern–zilver schil nanodeeltjes (MNP@Ag) die gefunctionaliseerd zijn met koolstofhoudende polymeerdots (CPD's). Deze CPD's werden gegenereerd via in-situ microgolf-carbonisatie van aromatische moleculen (4-aminothiofenol, benzoëzuur en 4-hydroxythiofenol) op het zilveroppervlak. In tegenstelling tot traditionele methoden vormt dit proces covalente C–N/Ag en C–O/Ag bindingen, waardoor de receptoren aan het oppervlak worden "vastgezet". Dit ontwerp garandeert een uitzonderlijke stabiliteit in niet-polaire olie-matrices en voorkomt receptordesorptie. De drie sensoren (MNP@Ag-CPDA, MNP@Ag-CPDAB en MNP@Ag-CPDH) bieden complementaire, kruisreactieve responsen op verschillende smaakcomponenten.
• Data-acquisitie: Raman-spectra werden verzameld van pure en samengestelde chili-oliemonsters met behulp van de drie sensoren. De individuele spectra werden geconcateneerd tot een "super-spectrum" om als input voor het machine learning-model te dienen.
• Algoritmeontwerp (CNN-innovatie): Een aangepaste multi-task CNN werd ontwikkelijk specifiek voor SERS-spectrale kenmerken. Belangrijke architecturale elementen zijn:
  • Parallelle Pooling: Een inputfase die gebruikmaakt van parallelle max-pooling (om scherpe, discriminerende Raman-pieken te behouden) en average-pooling (om globale spectrale trends te behouden en ruis te verminderen), gevolgd door sommatie.
  • Dubbele Output Heads: Het netwerk voert gelijktijdig multi-class classificatie uit (identificatie van olietype/chilivariëteit) en regressie (kwantificering van capsaïnconcentratie).
  • Data-augmentatie: Om de schaarste aan monsters aan te pakken, werd de trainingsdata geaugmenteerd met Gaussische ruis, golfgetalverschuivingen en baseline-driften om realistische meetverstoringen te simuleren.
• Experimentele Omvang: De studie evalueerde het systeem op vereenvoudigde matrices (pure raapzaadolie, binaire oliemengsels) en complexe matrices (ternaire mengsels met dierlijke vetten, diverse additieven en commerciële monsters). De prestaties werden afgezet tegen conventionele machine learning-modellen (KNN, SVM, LDA) en lineaire regressie (PLS-R).

Belangrijkste Resultaten

• Sensorprestaties: De met CPD gefunctionaliseerde sensoren vertoonden een hoge stabiliteit en gevoeligheid, waarbij een detectielimiet (LOD) voor capsaïn van 9,1 ng/mL werd bereikt. De sensoren vertoonden een uitstekende batch-tot-batch reproduceerbaarheid (RSD < 2%) en stabiliteit over 28 dagen.
• Kwalitatieve Classificatie:
  • Voor pure chili-oliën bereikte de CNN een identificatienauwkeurigheid van 100%, waarmee het KNN (90,00%), SVM (94,44%) en LDA (99,26%) overtrof.
  • Voor complexe samengestelde chili-oliën (variërende olietypes, chilivariëteiten en additieven) behield de CNN een nauwkeurigheid van 99,63% en een macro F1-score van 99,63%, wat aanzienlijk beter is dan KNN (84,44%), SVM (88,15%) en LDA (96,67%).
• Kwantitatieve Regressie: In de kwantificering van capsaïn in zowel vereenvoudigde als complexe matrices presteerde de CNN consistent beter dan Partial Least Squares Regression (PLS-R).
  • In complexe matrices (Serie 5) behaalde de CNN een $R^2$ van 0,979 met een RMSE van 0,306, vergeleken met de $R^2$ van 0,889 en RMSE van 0,699 van PLS-R.
  • De CNN vertoonde superieure robuustheid tegen matrixinterferentie, waarbij hogere $R^2$-waarden en lagere foutenmarges (RMSE, MAE) werden behouden dan bij lineaire modellen.
• Mechanisme: De studie verduidelijkte dat de sensoren reageren op chili-oliecomponenten via specifieke interacties: waterstofbindingen (voor hydroxyl-gefunctionaliseerde sensoren), hydrofobe/$\pi$-$\pi$ interacties (voor aryl-gemodificeerde sensoren) en laser-geïnduceerde dimeervorming (DMAB) gepromoot door smaakmoleculen (voor amino-gefunctionaliseerde sensoren).

Betekenis en Claims
De auteurs stellen dat dit werk de eerste succesvolle toepassing is van een SERS-gebaseerde chemische tong op een complexe, 100% olie-fase voedselmatrix. De betekenis van de studie ligt in drie belangrijke vooruitgang:

1. Materiaalstabiliteit: De introductie van covalent gebonden CPD's als "universele receptoren" lost het cruciale probleem van receptordesorptie in niet-polaire media op, een beperking van eerdere SERS-chemische tongen.
2. Algoritmische Afstemming: De ontwikkeling van een toegewijde multi-task CNN met parallelle pooling en dubbele output heads maakt gelijktijdige, hoog-nauwkeurige kwalitatieve en kwantitatieve analyse van complexe voedselmonsters mogelijk, wat zowel traditionele chemometrie als generieke machine learning-modellen overtreft.
3. Praktische Toepassing: Het platform maakt snelle, nauwkeurige en locatie-gereed detectie van de kwaliteit en het capsaïnagehalte van chili-olie mogelijk, wat inspeelt op de dringende behoefte aan betrouwbare kwaliteitsbeoordeling in de expanderende wereldwijde chili-oliemarkt.

Het artikel concludeert dat de synergetische integratie van CPD-gebaseerde universele receptoren en een voor SERS-spectra getailde multi-task CNN een haalbare oplossing biedt voor de snelle karakterisering van chili-olie en analoge eetbare olieproducten, waarbij toekomstig werk gepland is om de monsterbibliotheek uit te breiden en handheld apparaten voor veldbruik te ontwikkelen.