AIE·机器学习：纳米塑料分析迎来“四维定量”新时代
纳米塑料尺寸通常小于1 μm，能够跨越生物屏障，并在细胞、组织乃至食物链中迁移和累积，因此其长期生物学归趋与潜在生态风险受到持续关注。然而，真正“看清楚”纳米塑料并没有想象中那么容易。传统质谱等方法虽然能够准确测量塑料颗粒的含量，却往往需要消解样品，空间信息随之丢失；荧光成像虽然可以直接看到颗粒在哪里，却会受到光漂白、环境干扰和局部浓度变化影响，时间一长，荧光信号越来越弱。因此，“看得见”与“测得准”之间长期存在矛盾，尤其限制了纳米塑料在活体中的长期追踪。
针对这一难题，中国地质大学（武汉）颜能教授、Yan Wang和香港城市大学王文雄教授提出了一种由机器学习辅助设计的双功能纳米探针。研究人员将聚集诱导发光分子（AIEgens）与稳定金属元素同时嵌入聚合物纳米颗粒：荧光信号负责告诉研究者“颗粒在哪里”，相对稳定的金属信号则充当内部标尺，不断校正随时间衰减的荧光信号。进一步结合荧光、金属、时间和浓度四个维度，团队建立了一套自校准定量模型，使复杂生物介质中的纳米塑料回收率超过90%，并发现传统荧光方法可能明显低估纳米塑料的细胞摄取、长期组织滞留以及跨代传递。相关成果以“Machine learning-designed bifunctional nanoprobes enable self-calibrated spatiotemporal tracking of nanoplastics”为题发表在《Nature Sensor》上，颜能教授为一作兼通讯。
从高分子纳米颗粒出发，把“发光”和“金属标尺”装进同一个探针
要实现这种双信号追踪，第一步是构筑一个既能稳定发光、又能稳定携带金属元素的高分子纳米颗粒。研究人员采用微乳液聚合构筑PS–PAA共聚物纳米颗粒，并进一步分别制备普通纳米颗粒、AIE分子掺杂颗粒以及同时掺入AIE分子和金属元素的AIE-MNPs。透射电镜结果显示，无论是否加入AIE分子和金属元素，所得颗粒均保持较规则的球形结构，而且尺寸可以从约20 nm连续调节到570 nm（图1a）。更重要的是，Pt、Fe、Pd、Au和Zn等多种金属均可以被引入颗粒中，同时颗粒仍保持约80 nm的均一尺寸，说明这种聚合物体系具有较好的功能组分兼容性（图1b）。实时共聚焦成像显示，随着聚合过程推进，AIE分子逐渐进入疏水性的PS区域，并在颗粒长大过程中被“锁”在聚合物内部。刚性的PS–PAA网络限制了AIE分子的分子内运动，从而触发聚集诱导发光（图1d）。与此同时，PAA链段上的羧酸基则为金属离子提供了稳定配位位点。DFT计算进一步表明，不同金属与羧酸根之间具有不同结合强度，其中Au与羧酸根的相互作用最强（图1e）。也就是说，一个纳米颗粒内部同时形成了“疏水发光区”和“亲水金属锚定位点”，为双信号协同奠定了材料基础。
图1：双功能AIE-金属高分子纳米探针的构筑与结构表征
12个参数彼此纠缠，机器学习寻找真正的“甜点区”
问题在于，这种多功能高分子纳米颗粒并不好做。颗粒尺寸、金属掺杂量以及荧光量子产率并不是三个可以独立调节的参数。苯乙烯、丙烯酸、表面活性剂、引发剂、pH、聚合温度、搅拌速度、反应时间以及AIE和金属添加量等因素会彼此耦合，一个参数的改变往往同时牵动多个性能（图2a、b）。为此，研究团队没有继续依赖传统的“一个参数一个参数试”，而是建立了包含1380组实验数据、12个合成参数的数据集，并比较线性回归、随机森林、梯度提升回归树和神经网络等多种模型。最终，梯度提升回归树对颗粒尺寸、量子产率和金属掺杂量的预测均表现出很高精度，其中对应的R²分别达到0.9993、0.9995和0.9865（图2c）。SHAP分析进一步把这个原本十分复杂的“配方黑箱”拆开了：表面活性剂和St/AA组成主要决定颗粒尺寸，AIE分子添加量主要影响量子产率，而金属加入量和AA含量则直接控制金属掺杂水平（图2d）。更有意思的是，在1380种参数组合中，仅有37组、也就是约2.8%的组合能够同时满足目标性能。传统逐项优化很容易错过这个狭窄窗口，而机器学习则能够直接锁定这一“甜点区”。研究团队还据此开发了CUG-NanoTOX平台，使纳米探针的制备从经验试错进一步走向数据驱动设计。
图2：机器学习指导AIE-MNPs合成参数优化
荧光会慢慢“失真”，金属信号成为时间尺度上的内部标尺
获得稳定探针之后，研究真正关键的一步，是解决长期追踪中的荧光衰减问题。实验发现，即使采用比传统荧光染料更加耐光漂白的AIE分子，其荧光强度仍然会随着时间逐渐降低。传统荧光染料通常在45天以内已经严重衰减，而AIE体系虽然可以延长至约75天，但90天尺度上的定量仍然存在明显误差（图3a）。在模拟胃肠环境中，即使经过90天，颗粒内部的金属保留率仍高于80%（图3b）。于是研究人员提出了一个很巧妙的思路：既然荧光随着时间变化，而金属信号相对稳定，那么就可以把金属当作颗粒内部自带的“标尺”，实时纠正荧光信号的漂移。基于这一思路，团队建立了一个同时包含荧光强度F、金属信号M、时间T和纳米塑料浓度C的四维模型（图3c）。相比简单地把荧光强度直接换算成浓度，这一模型能够根据时间和金属保留量动态补偿信号衰减，模型R²达到0.9893，预测浓度与真实浓度也保持良好一致性（图3d）。在血液、唾液、SM7培养基、人工海水和人工废水等复杂介质中，双模式测定的回收率普遍超过90%，而单独依赖荧光时，在人工海水等复杂环境中甚至可能下降到约50%（图3e）。这也意味着，所谓“双模式”并不只是同时获得两组检测数据，而是用稳定金属信号去校准不稳定的光学信号，从根本上改变长期荧光追踪的定量逻辑。
图3：利用稳定金属信号实现荧光长期自校准定量
从细胞到斑马鱼：过去“看到的少”，可能并不是真的少
有了这一工具，研究人员进一步追踪了纳米颗粒从细胞到完整生物体内的行为。在肝细胞中，AIE-MNPs主要进入溶酶体，并随着培养时间逐渐积累（图4a）。双模式计算得到的细胞内颗粒量达到58.3 ± 2.03 pg/cell，与金属模式得到的55.8 ± 2.96 pg/cell基本一致；而单独依靠荧光计算仅为42.6 ± 3.88 pg/cell。换句话说，传统荧光方法将细胞摄取量低估了约31%。进一步在斑马鱼中开展45天追踪后，这种差异被进一步放大。暴露阶段，纳米颗粒首先在鳃、肝脏和肠道中明显富集；进入清水净化阶段后，血液和肾脏中的颗粒较快清除，但肌肉和脑组织中的颗粒却长期滞留（图4b）。到第45天，荧光检测误差已经达到50.2%。例如在清除较慢的肌肉组织中，荧光模式测得的浓度仅为7.1 mg kg⁻¹，而金属模式达到14.2 mg kg⁻¹，几乎相差一倍。这种测量误差还会直接影响毒理学判断。研究人员进一步将纳米塑料浓度与氧化应激、炎症以及细胞凋亡等指标对应，发现荧光模式在多个毒性终点上的相对误差明显高于双模式和金属模式。也就是说，如果纳米塑料实际浓度本身被低估，那么基于这些浓度建立的毒性剂量—效应关系同样可能发生偏移。更值得关注的是跨代传递。亲代斑马鱼暴露3天后转入清水环境，经过30天净化仍能够检测到残留纳米颗粒；随后在子代F1中，同样观察到了纳米颗粒信号（图4c）。双模式测得的母体转移效率约为5.5%–7.5%，而单纯荧光方法只有约2.9%–3.8%。在子代中，双模式测得的颗粒含量甚至约为荧光方法的3倍。共聚焦成像进一步确认颗粒位于子代肠道内部，而不是简单附着在体表。
图4：纳米塑料从细胞到完整生物体及跨代传递的长期追踪
小结
这项工作真正解决的，并不只是“如何把纳米塑料看得更清楚”，而是如何让长期成像结果真正具备定量可信度。研究人员利用PS–PAA共聚物的微相环境，将AIE发光单元与稳定金属标记集成到同一个高分子纳米颗粒中，再通过机器学习设计合成窗口，并利用金属信号对随时间衰减的荧光信号进行内部校准，实现了空间成像与长期定量的统一。更重要的是，新的测量方法重新审视了过去依赖荧光追踪得到的一些结论：细胞摄取可能被低估约31%，缓慢清除组织中的长期残留可能达到传统荧光结果的近2倍，而母体向子代的转移效率甚至可能被低估至约1/3。未来，如果这一内部校准策略进一步拓展到老化塑料、混合聚合物以及形貌更加复杂的真实环境纳米塑料体系，有望为纳米塑料长期迁移、生物累积及生态风险评价提供更加可靠的定量基础。
热门跟贴