浙大开发的荧光纳米传感器，超96.67%的准确率识别植物信号
仅用于站内搜索，没有排版格式，具体信息请跳转上方微信公众号内链接
将ScienceAI设为星标
第一时间掌握
新鲜的AIforScience资讯
编辑丨&
当植物遭遇干旱、高温或病虫害时，它们会通过释放过氧化氢等信号分子发出「求救信号」。对此，传统检测方法要么需要破坏性采样，要么灵敏度不足，无法实时捕捉这些微弱信号。
但就在近期，浙江大学团队开发了一种机器学习驱动的近红外二区（NIR-II）荧光纳米传感器，能以非侵入的方式监测植物体内H₂O₂的动态变化，甚至提前预警不同类型的应激反应。
论文链接：https ://www. nature.com/articles/s41467-025-60182-w
纳米传感器
纳米传感器由NIR-II荧光团和POM作为组件组成。
荧光团染料选择具有AIE特性的NIR-II染料，它能在近红外二区（1000-1700nm）发出荧光。这一区间能穿透植物叶片的叶绿素自发荧光，实现深层组织监测。
POMs作为H₂O₂响应单元，其表面的氧空位能特异性结合H₂O₂，引发电子转移，使AIE荧光团从「熄灭」状态转为「点亮」。
图1：AIENPs@POM纳米传感器的设计和表征。
这种设计赋予传感器0. 43μM的超高灵敏度（比传统NIR传感器高5倍）和1分钟的快速响应时间，甚至能检测到单个叶肉细胞内的H₂O₂细微波动。
为实现对植物应激信息的解码，团队训练了一个XGBoost机器学习模型，基于传感器捕捉的荧光信号时间序列，可以实现如下功能：
应激类型识别：通过分析信号的上升速率、峰值强度、衰减曲线等特征，区分干旱、高温、机械损伤、病原菌感染4种应激类型，识别准确率超过96. 67%。
跨物种通用性：在生菜、玉米、拟南芥等8种植物中，模型无需重新训练即可适应，显示出成为植物界的通用翻译器的潜力。
图2：ML驱动的植物压力状态监测。
实验模拟
将纳米颗粒溶液喷洒在生菜叶片上，损伤后20~30分钟内即可通过NIR-II荧光成像仪捕捉到稳定的H₂O₂信号，而触摸与插入传感器均不会触发信号响应。
在对菠菜、辣椒和烟草的实验中，受伤后的几分钟内，每个物种中的纳米传感器都激活了「开启」模式，反映了由于压力引起的NIR-II荧光强度的变化。
图3：实时感应应力诱导的生菜中的H₂O₂信号。
从上述不同植物收集的荧光数据集被投放给XGBoostML模型，用以检测其在不同物种上的准确度。
最终模拟取得了超过93. 33%的识别准确率。这种ML分析有助于快速处理实时传感器数据，非常适合大规模筛选工作，不依赖于主观报告，从而为检测植物健康状况提供了强大的评估工具。
从「精准农业」到「植物医疗」
正如论文一作所言，「我们正在搭建植物与人类的『沟通桥梁』，而AI是这座桥梁的『智能翻译官』。」
从纳米颗粒的分子设计到机器学习的智能解码，这项研究展现了跨学科创新的力量。
当植物应激监测进入「实时、精准、智能」的新时代，农业就离「作物会说话，技术来应答」的4. 0版本又近了一步。
人工智能×[生物神经科学数学物理化学材料]
「ScienceAI」关注人工智能与其他前沿技术及基础科学的交叉研究与融合发展。
欢迎关注标星，并点击右下角点赞和在看。
点击阅读原文，加入专业从业者社区，以获得更多交流合作机会及服务。
