研究背景：
农药在保障农业生产、提高作物产量和控制病虫害方面发挥重要作用。然而，农药残留也可能在环境和食物链中持续累积，并对人体健康和生态安全造成潜在影响。因此，建立快速、准确、低成本且适用于复杂样品的农药残留识别方法，是食品安全和环境监测领域的重要需求。目前，高效液相色谱、气相色谱-质谱和电化学分析等方法已广泛用于农药检测。这些方法具有较高的准确性和灵敏度，但通常依赖大型仪器、专业操作人员和复杂前处理流程。尤其是在实际样品中，多种农药可能同时存在，且不同农药结构相近、响应信号相互干扰，使得单一检测单元难以完成高效区分。受生物嗅觉系统启发，传感阵列为复杂组分识别提供了新的策略。不同于传统“一把钥匙开一把锁”的识别方式，传感阵列通过多个交叉响应单元产生差异化信号，再借助统计分析或机器学习方法实现模式识别。在这一背景下，构建具有高催化活性和稳定响应能力的纳米酶传感阵列，成为多农药残留快速筛查的重要方向。
针对以上问题，苏州科技大学郭春显教授团队报道了一种基于三种金属卟啉共价有机框架纳米酶的比色传感器阵列，并结合机器学习算法，成功实现了对环境水样和番茄中多种农药残留的快速、灵敏和高准确区分。该体系通过不同金属卟啉COF对农药分子的差异化催化抑制响应，构建可被算法解析的多通道比色指纹，为复杂基质中多农药残留筛查提供了新的分析策略。
研究内容：
该传感体系的构建原理如示意图1所示，作者合成了三种具有类氧化酶活性的卟啉基COF纳米酶——Fe-Cu-COF、Cu-Fe-COF和Fe-COF，通过亚胺键连接形成有序框架，并将Fe、Cu锚定于卟啉N4配位环境中。这些COF表现出类氧化酶活性，可催化TMB氧化生成蓝色oxTMB，使体系在652 nm处出现特征吸收峰；不同农药与COF活性位点发生相互作用后，可抑制TMB氧化过程，从而产生差异化比色信号。接着选取了五种代表性农药：丙溴磷（Pro）、毒死蜱（Chl）、地散磷（Ben）、异丙威（Iso）和溴氰菊酯（Del），结合线性判别分析和机器学习等算法，该传感器阵列可实现对单一、混合及实际样品中农药的精准鉴别（方案1）。
示意图1（A）三通道卟啉类 COF 纳米酶（Fe-Cu-COF、Cu-Fe-COF、Fe-COF）。(B) 与农药分子相互作用的类氧化酶反应。(C) 五类代表性农药。(D) 农药残留分析工作流程。
首先，通过溶剂热席夫碱缩合反应合成了三种MCOF。其中，Fe-Cu-COF和Cu-Fe-COF均为双金属卟啉COF，但Fe/Cu金属中心在构筑单元中的分布不同，因此具有不同的配位环境和电子结构。SEM结果显示，Fe-Cu-COF和Cu-Fe-COF主要呈粗糙棒状晶体及聚集体，粒径主要分布在106–134 nm；Fe-COF则呈较均一的球形颗粒，粒径约78 nm。该结果说明，金属配位环境和构筑单元差异会影响COF的形貌与框架结构（图1）。
图1 (A)三种COF的合成路线图。(B) Fe-Cu-COF、(C) Cu-Fe-COF 和 (D) Fe-COF 的SEM图像。
进一步对MCOFs的晶体形貌、官能团构成及化学配位环境进行表征。PXRD结果显示，三种COF均在低角度区域出现特征衍射峰，说明材料具有一定结晶性。以Fe-Cu-COF为例，其模拟AA堆积模式与实验谱图吻合较好，表明该材料具有AA堆积的层状结构。FT-IR结果中，约1620 cm-1处出现C=N伸缩振动峰，证明席夫碱缩合形成了亚胺键。XPS进一步证实了C、N、O、Fe和Cu等元素的存在，并显示Fe以Fe2+/Fe3+混合价态存在，Cu主要以Cu2+形式存在。这些结果共同证明，金属中心被成功锚定在卟啉COF骨架中（图2）。
图2 (A) 三种COF的实验PXRD图谱。(B) Fe-Cu-COF的PXRD图谱（黑色：实验曲线；橙色：Pawley精修曲线；蓝色：差分；紫色：AA堆叠；绿色：AB堆叠）。(C) Fe-Cu-COF AA堆叠结构的模拟俯视图和侧视图。(D) FT-IR光谱。(E) XPS总谱。(F) C 1s、(G) N 1s、(H) Fe 2p、(I) Cu 2p的高分辨率XPS光谱。
随后，以TMB为显色底物评价三种COF的类氧化酶活性。结果显示，金属卟啉COF能够有效活化溶解氧，产生ROS并催化TMB氧化为蓝色oxTMB，其特征吸收峰位于652 nm。其中，Fe-Cu-COF表现出最强的催化活性，其次为Cu-Fe-COF和Fe-COF。与无金属Por-COF相比，Fe-Cu-COF、Cu-Fe-COF和Fe-COF的类氧化酶活性分别提升约4.5倍、3.7倍和2.4倍。ESR结果进一步表明，1O2是该催化过程中的主要活性氧物种，双金属Fe/Cu位点之间的协同作用有助于促进O2吸附活化和电子转移（图3）。
图3 (A) 基于COFs在TMB氧化体系中OXD活性的比色检测。(B) COFs与TMB底物结合时的紫外-可见吸收光谱。(C) 不同COFs在652 nm波长下以TMB为底物时的OXD活性的比较。(D) ESR谱图。(E) 双金属位点上OXD催化循环的示意图。
在传感性能验证中，选取了五种代表性农药作为分析对象，包括有机磷类农药Profenofos、Chlorpyrifos和Bensulide，氨基甲酸酯类农药Isoprocarb，以及拟除虫菊酯类农药Deltamethrin。三种MCOF材料作为三个传感通道，对不同农药产生不同程度的催化抑制信号。热图结果显示，每种农药均具有特定响应模式。LDA分析进一步表明，在20 nM浓度下，五种农药即可形成清晰分离的聚类。该阵列在10–100 nM范围内表现出浓度依赖性响应，最低检测限可达2.19 nM。此外，还验证了Bensulide和Deltamethrin不同比例二元混合体系的区分能力，结果显示不同混合比例能够形成非重叠分布，说明该平台具有解析复杂多组分农药体系的潜力（图4）。
为了进一步评估该平台在复杂环境样品中的应用能力，作者以河水样品为模型，设置了七类农药残留体系，包括三种单一农药Bensulide、Isoprocarb和Deltamethrin，以及它们的二元和三元混合物。基于三通道比色响应数据，作者比较了随机森林、k近邻、决策树、逻辑回归和多层感知机等多种机器学习模型。结果显示，随机森林模型具有最佳分类性能，在河水样品中实现了94.1%的混合农药残留识别准确率。混淆矩阵结果显示，该模型具有较强的对角线优势，说明其分类结果稳定、误判率较低（图5）。
在食品样品应用中，选择番茄作为实际农产品模型。通过喷洒并清洗的方式模拟农药残留，再采用同样的三通道COF阵列和机器学习流程进行识别。结果显示，该平台在番茄样品中实现了五种农药的高准确分类，整体准确率为93.8%。在功能类别层面的层级筛查中，该体系区分有机磷类与氨基甲酸酯类的准确率为97.6%，区分有机磷类与拟除虫菊酯类的准确率为95.2%，区分Profenofos与Chlorpyrifos/Bensulide组合的准确率为96.9%。特征重要性分析表明，识别能力来自三个COF通道的协同响应，而不是单一材料的独立作用（图6）。
图6 (A) 番茄样本的代表性照片。(B) 番茄提取物中Pro、Chl、Ben、Iso和Del的五类混淆矩阵。(C) 番茄提取物五类分类的ROC曲线。(D) 有机磷类化合物（Pro、Chl、Ben）与氨基甲酸酯类化合物（Iso）的二元分类。(E) 有机磷类化合物（Pro、Chl、Ben）与菊酯类化合物（Del）的二元分类。（F）有机磷组内的二元分类：Pro 与（Chl + Ben）的比较。（G）机器学习中COFs特征重要性分析。
小结：
本文围绕复杂样品中多农药残留快速识别这一问题，构建了金属卟啉COF纳米酶传感阵列，并将其与机器学习算法结合，实现了从单一农药识别、混合农药区分到真实样品验证的系统研究。三种金属卟啉COF通过不同金属中心和配位环境产生差异化类氧化酶活性，进而形成可被算法解析的多通道比色指纹。该研究的优势在于，将COF材料的结构可设计性、金属卟啉中心的高催化活性、比色传感的操作简便性以及机器学习的模式识别能力整合到同一平台中。相比传统单一探针识别策略，该方法更适合处理多组分共存和复杂基质干扰的实际检测场景。同时，该比色传感机制具有操作简便、信号直观和易于小型化集成的特点，为后续构建便携式生态农药残留快速筛查平台提供了材料基础和方法参考。
该工作以“An Intelligent Machine-Learning-Driven Metalloporphyrin Covalent Organic Framework Sensor Array for Pesticide Discrimination”为题目发表于Analytical Chemistry。论文的第一作者为必赢线路检测3003no1硕士生刘彦廷。苏州科技大学谷雨副教授、蒋高喜教授、郭春显教授为共同通讯作者。
文章来源：微信公众号 纳米酶Nanozymes
