引用本文
翁士状, 袁宝红, 郑守国, 张东彦, 赵晋陵, 黄林生. 动态表面增强拉曼光谱在敌瘟磷快速定量分析中的应用[J]. 光谱学与光谱分析, 2018,38(2): 454-458.
WENG Shi-zhuang, YUAN Bao-hong, ZHENG Shou-guo, ZHANG Dong-yan, ZHAO Jin-ling, HUANG Lin-sheng. Dynamic Surface-Enhanced Raman Spectroscopy for Rapid and Quantitative Analysis of Edifenphos[J]. Spectroscopy and Spectral Analysis, 2018,38(2): 454-458.
Doi:10.3964/j.issn.1000-0593(2018)02-0454-05  
Permissions
Copyright©2018, 《光谱学与光谱分析》期刊社
《光谱学与光谱分析》期刊社 所有
动态表面增强拉曼光谱在敌瘟磷快速定量分析中的应用
翁士状1, 袁宝红2, 郑守国3, 张东彦1, 赵晋陵1, 黄林生1,*
1. 安徽大学安徽农业生态大数据工程实验室, 安徽 合肥 230601
2. 安徽三联学院电子电气工程学院, 安徽 合肥 230601
3. 中国科学院合肥技术创新工程院, 安徽 合肥 230031
*通讯联系人 e-mail: linsheng0808@163.com

作者简介: 翁士状, 1989年生, 安徽大学安徽农业生态大数据工程实验室讲师 e-mail: weng1989@mail.ustc.edu.cn

收稿日期: 2016-09-12 接受日期: 2017-02-05
基金: 国家自然科学基金项目(61475163, 31401285), 安徽省科技支撑计划项目(1604a0702016), 安徽省自然科学基金项目(1608085QF127), 国家(863)计划项目(2013AA102302)资助
摘要

动态表面增强拉曼光谱是在干态与湿态表面增强拉曼光谱(SERS)检测的基础上发展而来的, 不仅具有极好的信号增强, 还具有良好的重复性与稳定性。 提出了一种基于动态SERS与多元分析方法的敌瘟磷快速定量分析方法。 实验中, 首先测量100, 50, 10, 5, 1, 0.5和0.1 mg·L-1敌瘟磷动态SERS谱图, 并使用多项式校正方法去除光谱基线漂移。 然后, 处理后的全范围(600~1 800 cm-1)与特征范围(674~713, 890~1 195, 1 341~1 399和1 549~1 612 cm-1)光谱分别利用支持向量机回归(SVR)构建定量模型, 实现对敌瘟磷的定量分析。 同时, 实验还评估了主成分分析(PCA)对定量分析结果的影响。 实验结果表明特征范围光谱所建立的模型预测误差较小, 而数据经过PCA处理后预测误差得到进一步下降。 最优回归模型是由特征范围光谱经PCA处理后所构建的模型(RMSECV=0.065 7 mg·L-1), 模型能够准确地预测敌瘟磷溶液浓度。 为了测试实际检测中的效果, 该方法被用来对苹果表面的敌瘟磷残留进行检测, 并通过气相色谱法进行验证。 结果表明该方法对于同一样本多次检测值波动较小, 且检测均值与气相色谱检测值相差较小, 相对误差最大仅为5.13%。 此外, 动态SERS检测可在2 min内完成, 且后续数据处理也可在数秒内完成, 同时整个过程的试剂消耗仅在2 μL左右。 因此, 所提出的方法在敌瘟磷快速准确检测具有极大优势。

关键词: 动态表面增强拉曼光谱; 多元分析方法; 敌瘟磷; 快速定量分析
中图分类号:O657.37 文献标志码:A
Dynamic Surface-Enhanced Raman Spectroscopy for Rapid and Quantitative Analysis of Edifenphos
WENG Shi-zhuang1, YUAN Bao-hong2, ZHENG Shou-guo3, ZHANG Dong-yan1, ZHAO Jin-ling1, HUANG Lin-sheng1,*
1. Anhui Engineering Laboratory of Agro-Ecological Big Data, Anhui University, Hefei 230601, China
2. School of Electronic and Electrical Engineering, Anhui Sanlian University, Hefei 230601, China
3. Hefei Institute of Technology Innovation, Chinese Academy of Sciences, Hefei 230031, China
Abstract

Dynamic surface-enhanced Raman spectroscopy (SERS) is based on thestate transition of nanostructure from wetstate to dry state to realize spectra measurement, and it not only produces giant Raman enhancement but also provides reproducible and stable SERS signal. In the paper, we proposed a novel method for the rapid and quantitative analysis of edifenphos based on dynamicsurface-enhanced Raman spectroscopy with multivariate analysis method. In experiment, the spectra of 100, 50, 10, 5, 1, 0.5 and 0.1 mg·L-1edifenphos were measured using dynamic surface-enhanced Raman spectroscopy, and the baseline shift of spectra was removed by the polynomial correction method. Then, the spectra of full range (600~1 800 cm-1) and characteristic range (674~713, 890~1 195, 1 341~1 399 and 1 549~1 612 cm-1) were used to develop the regression model for the rapid and quantitative analysis ofedifenphos using support vector machine regression (SVR), respectively. Simultaneously, we also evaluated the effect of the principle component analysis (PCA) on the construction of the regression model. The experiments showed the model developed with the spectra of characteristic range had lower prediction error and PCA can improve the prediction accuracy of the corresponding model further. The best regression model (RMSECV=0.065 7 mg·L-1) was built with the spectra of characteristic range extracted by PCA, and the regression model can predict the concentration of edifenphos solutions accurately. Finally, to evaluate the effect of the method in practical application, the edifenphos residue on the apple peel were also detected using the proposed method, which was compared with the gas chromatography. The detection results showed the multiple detection value for each sample was in a small range, and the mean value was basically consistent with the detection value of gas chromatography, in which the maximal relative error was about 5.13 %. Additionally, the detection process of dynamic surface-enhanced Raman spectroscopy only needed 2 min and 2 μL samples volume, and the subsequent data analysis generally consumed several seconds. In a word, the dynamic surface-enhanced Raman spectroscopy can provide the high reproducible and precision detection of edifenphos, and the multivariate analysis method can realize the intelligent and rapid analysis of Raman spectra of edifenphos. Therefore, the dynamic surface-enhanced Raman spectroscopy with the multivariate analysis method is of great advantage for the rapid and accurate detection of edifenphos.

Keyword: Dynamic surface-enhanced Raman spectroscopy; Multivariate analysis method; Edifenphos; Rapid and quantitative analysis

引 言

敌瘟磷是使用较为广泛的一种有机磷农药, 在提高农业生产的同时, 其在水、 土与产品中的残留对农产品品质安全与人民身体健康造成较大危害。 而解决上述问题的关键技术手段是对物质中农药残留进行准确检测, 现阶段检测方法多采用气相色谱[1]、 液相色谱[2]以及色质联用[3]等。 这些方法检测准确度高, 但存在试剂消耗大, 检测时间长, 操作繁杂等缺点, 无法适应有机磷农药残留快速准确检测的需求。 因此, 探索一种快速、 准确的有机磷农药残留检测方法是具有十分重要的意义。

SERS是基于贵金属纳米结构所获得的拉曼信号增强的光谱, 是一种可以提供物质内部分子结构的振动光谱[4], 具有简单快速、 试剂消耗少、 指纹性以及检测限低等特点, 被广泛应用于毒品[5]、 药品[6]、 农药[7, 8]及生物活体分子[9]的痕量检测中。 然而, 当它应用到物质的量化分析中, 仍存在一些问题。 这是由于SERS增强基底合成过程中纳米结构精细控制较为困难, 导致了拉曼热点的随机分布, 进而SERS的重现稳定性较差[10]。 而动态SERS是在湿与干临界状态下展开的检测方法, 在干湿交界时溶剂的毛细作用促使其中的纳米粒子形成具有最小分散性和最大一致性的三维稳定热点结构, 分析物信号获得更好的增强且信号稳定性提升[11, 12]。 同时, 残存的液体可对被检测物进行保护, 进一步提升光谱的稳定性与重现性, 可提供100 s左右的稳定检测[13]。 因此, 本研究将利用动态SERS对敌瘟磷进行快速检测。 当获得了物质稳定的动态SERS谱图, 解析出光谱所含的物质信息常常需要借助专业人员, 这在一定程度限制了基于动态SERS的物质快速检测。 而多元分析算法的引入可以实现光谱的自动化与智能化分析处理, 涉及预处理、 特征提取以及模型构建等方面, 在毒品快速识别[14]、 病患诊断[15]以及农药残留定性定量分析[16]中都有着成功的应用。 本文是基于动态SERS对敌瘟磷进行快速定量分析, 考虑到SVR具有较好的稳健性与非线性回归分析能力, 将被用来建立定量回归模型。 同时, 多项式校正方法将被用来去除SERS谱图常见的基线漂移和荧光背景。 此外, 还将引入特征提取算法PCA提取光谱的主体信息, 旨在进一步提高模型的预测准确度。

利用动态SERS测量不同浓度敌瘟磷溶液的光谱, 并使用多项式校正方法去除光谱的基线漂移。 紧接着, 利用SVR构建回归模型, 实现基于动态SERS的对敌瘟磷定量分析。 同时, 考虑不同范围光谱与PCA对分析模型预测准确度影响。 此外, 为进一步测试实际检测中的效果, 本文方法被用来对苹果表皮敌瘟磷残留进行检测, 并与气相色谱法进行比对。

1 实验部分
1.1 设备与材料

光谱测量平台为共聚焦拉曼光谱仪(LabRAM HR800), 敌瘟磷标准品(浓度为1 mg· mL-1)购于中国标准物质网, 用于实际检测的苹果样品是购买于合肥科学岛菜市场。 增强基底的合成: SERS是基于粗糙贵金属(金、 银等)表面对拉曼光谱信号的增强作用, 其中以银的增强效果较好, 因此文中采取银纳米颗粒溶胶作为SERS的活性增强基底。 银纳米颗粒溶胶的具体合成见[17], 合成后的银纳米颗粒溶胶性能稳定, 经冷藏可长期使用。

模拟样本: 敌瘟磷标准品采用乙醇进行逐级稀释, 获得100, 50, 10, 5, 1, 0.5和0.1 mg· L-1敌瘟磷溶液。 真实样品: 取5个苹果样品, 分别标记区域(3 cm× 3 cm)表皮逐步滴加100, 50, 10, 5和1 mg· L-1敌瘟磷溶液各5 mL。 样品放置5 h左右, 用乙醇(5 mL)反复清洗苹果表皮标记区域, 获得实际检测样本, 分别采用气相色谱法与动态SERS进行检测。

1.2 动态SERS测量

测量中, 将银纳米颗粒溶胶与被检测物溶液(体积比1∶ 1)经超声波振荡进行融合, 然后将混合溶液(约2 μ L)滴加在硅片上, 并置于共聚焦拉曼光谱仪。 溶液处于干湿临界态(逐步探索)进行光谱的连续测量, 直至溶液变干, 此种方法被称为动态SERS测量方法[11]。 由此方法测得的光谱信号增强与光谱重复稳定性方面有着明显提升[12]。 每个浓度敌瘟磷溶液分成5份, 每一份采集了20条光谱。 光谱仪的测量参数如下: 激发光波长为532 nm、 强度为20 mW并选择D4级衰减、 50倍长焦物镜, 积分时间为1 s。

1.3 光谱多元分析算法

支持向量机(SVM)由Vapnik提出的, 最初是用来解决分类问题的, 然而随ε -不灵敏损失函数的引入, 应用范围扩展到回归问题的解决(即SVR)[18]。 SVR根据核函数类型选择的不同, 可以分为线性SVR与非线性SVR。 由于SERS信号强度与溶液浓度值为非线性关系, 需要使用非线性SVR。 非线性SVR是通过非线性映射将输入向量映射的一个高维特征空间(Hilbert空间)中, 然后在此高维空间中再进行线性回归, 接着取得在原空间非线性回归关系。 SVR中惩罚系数C, 核函数的宽度g对模型构建有较大影响, 本文采用遍历搜索经验取值范围来确定, 其中C和g的取值范围分别为0~1 000, 0~100。

主成分分析(PCA)通过对数据的协方差矩阵进行特征分解, 获得对应的特征值与特征向量, 再将数据投影到特征向量空间得到权值[14], 通过保留较大特征值对应的权值, 在实现数据维数缩减的同时保留了数据的主体信息。 研究中, 利用PCA对敌瘟磷的动态SERS谱图进行主体信息提取, 并结合双层交叉验证方法对PCA中主成分的选择进行确定。 双层交叉验证方法就是将所测光谱有选择地分成两个子集(4∶ 6), 一部分确定主成分数目选择, 另一部分验证回归模型预测性能。 所有数据处理及算法均在MATLAB 2013a (The Mathworks Inc., Natick, MA, USA)上实现。

2 结果与讨论
2.1 敌瘟磷动态SERS测量

银溶胶增强基底的性能分析与验证在文献[18]有着详尽的论述, 这里不再赘述。 采用动态SERS检测100 mg· L-1敌瘟磷的光谱图[图1(a)], 为了更好的显示效果, 光谱进行过上下平移。 由图可知, 处于基底临界状态的50s内, 光谱一致性与重现性较好, 同时体现出了明显的敌瘟磷拉曼特征。 参考敌瘟磷分子结构[图1(a)中插图)]与拉曼峰归属知识可知其归属如下[19]: 在1 362 cm-1的谱峰为CH3对称变形振动, 1 110 cm-1为C— C伸缩振动, 1 071 cm-1为平面CH变形振动; 而P=O伸缩振动和P— O环发生在1 207和927 cm-1; 此外, 在1 179, 1 019, 997和688 cm-1的拉曼峰可归结于芳香环呼吸振动, 而在1 570 cm-1的特征峰是环伸缩振动。 从图1(a)可观察到所测光谱存在明显的基线漂移, 会对后续定量分析造成较大的干扰, 引起分析误差。 综合考虑处理方法的繁易与效果, 多项式拟合校正算法将被用于光谱基线漂移的扣除, 经上述处理后的100 mg· L-1敌瘟磷光谱见图1(b)。 在图中, 敌瘟磷光谱特征峰的位置一致, 谱峰强度在较小范围内波动, 体现出动态SERS检测优秀的稳定性与良好的重现性。

图1 100 mg· L-1敌瘟磷动态SERS光谱图
(a): 原始光谱; (b): 基线扣除后的光谱Fig.1 Dynamic SERS spectra of 100 mg· L-1edifenphos solutions
(a): Original spectra; (b): Spectra after baseline deduction

图2给出100, 50, 10, 5, 1, 0.5 和0.1 mg· L-1敌瘟磷的动态SERS谱图, 不同浓度农药的光谱特征峰位置一致, 且基于此浓度范围内688, 927, 997, 1 019, 1 071, 1 110, 1 179, 1 362和1 570 cm-1(图2中的虚线椭圆位置)的特征峰强度与敌瘟磷浓度明显呈正相关关系。 光谱的特征峰携带的是被检测物质的信息, 因此选择特征峰附近的光谱进行物质后续定量分析具有一定的物理意义, 可能会获得更好的分析结果。 文中选定的光谱特征范围为674~713, 890~1 195, 1 341~1 399和1 549~1 612 cm-1。

图2 不同浓度敌瘟磷的动态SERS谱图Fig.2 Dynamic SERS spectra of edifenphos of different concentration

2.2 动态SERS的快速定量分析

经过基线扣除的不同范围的敌瘟磷光谱结合SVR建立回归分析模型, 模型预测性能采用5-折交叉验证方法进行评估, 预测误差量化衡量值为模型的交互均方误差值(RMSECV)[16]。 由于光谱的强度与被测的敌瘟磷浓度并不是简单的线性关系, 文中采用SVR建立非线性回归模型。 表1中给出了全范围(600~1 800 cm-1)与特征范围(674~713, 986~1 195, 1 341~1 399和1 549~1 612 cm-1)光谱结合SVR模型所得到的定量分析结果。 由表可知, 采用特征范围光谱所建立的模型预测误差比直接采用全光谱范围所建立模型小了许多, RMSECV值降低了0.394 9 mg· L-1, 这也在一定程度上验证了采用特征峰附近光谱可获得更好的分析结果。 但对于0.1 mg· L-1敌瘟磷来说, 这样的模型预测误差偏高, 低浓度敌瘟磷在这样回归模型上无法准确被预测。

表1 动态SERS光谱的定量分析结果(mg· L-1) Table 1 Quantitative analysisresults obtained by SVR with different spectra(mg· L-1)

由特征范围光谱所建立的回归模型预测准确较高, 我们猜想可通过对光谱进行主体信息的提取, 消除光谱中携带不利于量化分析的干扰信息来提高分析准确度, 本文采用PCA提取光谱信号的主体信息。 在PCA信息提取时, 主成分数目的选取关系到模型的预测准确度, 文中采用双层交叉验证方法进行PCA中主成分的确定。

表2 光谱经PCA处理结合SVR进行定量分析结果(mg· L-1) Table 2 Analysis results obtained by SVR with different spectra processed by PCA (mg· L-1)

图3给出不同主成分数目所建立的回归模型的预测误差, 预测误差评估采用5-折交叉验证方法。 由图可知, 当主成分数目刚开始增强, 由于携带的物质信息量的增加, 模型预测误差在不断减小。 但当主成分数目增加至4个后, 后续的主成分所携带的多为干扰信息, 会增加模型的预测误差。 因此, 在结合PCA与SVR进行敌瘟磷的定量分析中, 主成分的数目选定为4。 基于以上结论, 结合另一部分数据进行模型训练, 最终模型的预测误差明显降低。 其中, 特征范围对应模型预测误差更低, RMSECV为0.065 7 mg· L-1, 可准确预测敌瘟磷溶液(100~0.1 mg· L-1)浓度。

图3 不同主成分数目对应的回归模型预测误差
2.3 苹果表皮敌瘟磷的检测Fig.3 Prediction error of the corresponding regression model built with different principle components

为了测试实际样本中的检测效果, 我们选择在苹果表皮上喷洒100, 50, 10, 5和1 mg· L-1敌瘟磷农药, 放置一段时间后使用乙醇清洗获得实际样本。 然后, 分别利用动态SERS与气相色谱法分别进行检测。 图4中给出基线校正后的动态SERS谱图(每个样本选取三条代表性光谱)。 由图可知, 同一样本的光谱重现与一致性较好, 同时不同样本的光谱特征峰位置一致且强度与浓度呈正比例关系。 紧接着, 将特征范围所测光谱结合PCA进行数据映射, 再结合已建立的模型获得预测值(见表3)。 由表3可知, 本文方法对同一样本的多次检测值均在较小范围内波动, 且检测均值与气相色谱检测值相对误差最大为5.13%, 两者相差较小, 验证了此方法在敌瘟磷实际检测中的可行性。

图4 苹果表皮上不同浓度敌瘟磷所对应的动态SERS图
Sample #1, #2, #3, #4, #5分别为100, 50, 10, 5和1 mg· L-1敌瘟磷的残留样本Fig.4 Dynamic SERS spectra of different edifenphos residue on apple peel
Sample #1, #2, #3, #4, #5 are the samples of residue of 100, 50, 10, 5 and 1 mg· L-1 edifenphos, respectively

表3 苹果表皮上敌温磷残留检测结果(mg· L-1) Table 3 Detection results of edifenphos residue on apple peel (mg· L-1)
3 结 论

提出了一种基于动态SERS与多元分析方法的敌瘟磷快速定量检测方法。 首先, 利用动态SERS测量100, 50, 10, 5, 1, 0.5 和0.1 mg· L-1敌瘟磷光谱, 并使用多项式校正方法消除光谱的基线漂移。 然后, 利用SVR构建回归模型实现对敌瘟磷的量化分析。 同时, 对比了不同范围光谱和PCA的使用对定量分析结果的影响。 实验结果表明特征范围光谱所建立的模型预测误差较小, 而光谱经过PCA处理后所构建模型预测准确度得到进一步提升。 最优回归模型是由特征范围光谱经PCA处理后所建立的模型, 模型的RMSECV为0.065 7 mg· L-1, 相对被测农药溶液的最低浓度(0.1 mg· L-1), 这样分析精度是足够的。 为了进一步测试在实际检测中的效果, 利用该方法对苹果表皮的敌瘟磷残留展开检测, 并通过气相色谱法进行验证。 结果表明本文方法对于同一样本的多次检测值波动较小, 且检测均值与气相色谱检测值相差较小, 相对误差最大为5.13%。 由此可知, 动态SERS结合多元分析方法可以很好地实现敌瘟磷的准确检测。 此外, 动态SERS检测可在2 min内完成, 且后续数据处理也可在几秒内完成, 整个过程的试剂消耗仅在2 μ L左右, 因此本文方法在快速检测具有明显的优势。 未来, 我们希望此方法能够进一步扩展到其他农药的快速定量分析中, 为农产品品质安全检测提供快速可靠的技术手段。

The authors have declared that no competing interests exist.

参考文献
[1] Roberts E M, English P B, Grether J K, et al. Environ. Health Persp. , 2007: 1482. [本文引用:1]
[2] Ferrer C, Martínez-Bueno M J, Lozano A, et al. Talanta, 2011, 83(5): 1552. [本文引用:1]
[3] Ozkan A. Fresenius Environ. Bull. , 2015, 24(2a): 615. [本文引用:1]
[4] Cialla D, März A, Böhme R, et al. Anal. Bioanal. Chem. , 2012, 403(1): 27. [本文引用:1]
[5] Ock K, Jeon W I, Ganbold E O, et al. Anal. Chem. , 2012, 84(5): 2172. [本文引用:1]
[6] Wen Z Q, Li G, Ren D. Appl. Spectrosc. , 2011, 65(5): 514. [本文引用:1]
[7] Liu B, Zhou P, Liu X, et al. Food and Bioprocess Tech. , 2013, 6(3): 710. [本文引用:1]
[8] WANG Xiao-bin, WU Rui-mei, LING Jing, et al(王晓彬, 吴瑞梅, 凌晶, 等). Spectroscopy and Spectral Analysis(光谱学与光谱分析), 2016, 36(3): 736. [本文引用:1]
[9] Palonpon A, Ando J, Yamakoshi H, et al. Nat Protoc. , 2013, 8(4): 677. [本文引用:1]
[10] Hu Y, Liao J, Wang D, et al. Anal. Chem. , 2014, 86(8): 3955. [本文引用:1]
[11] Yang L, Liu H, Wang J, et al. Chem. Comm. , 2011, 47(12): 3583. [本文引用:2]
[12] Yang L, Li P, Liu H, et al. Chem. Soc. Rev. , 2015, 44(10): 2837. [本文引用:2]
[13] Liu H, Yang Z, Meng L, et al. [J]. Am. Chem. Soc. , 2014, 136(14): 5332. [本文引用:1]
[14] Dong R, Weng S, Yang L, et al. Anal. Chem. , 2015, 87(5): 2937. [本文引用:2]
[15] Gracie K, Correa E, Mabbott S, et al. Chem. Sci. , 2014, 5(3): 1030. [本文引用:1]
[16] Weng S, Chen S, Li M, et al. Anal. Methods, 2014, 6(1): 242. [本文引用:2]
[17] Li P, Liu H, Yang L, et al. Talanta, 2013, 117: 39. [本文引用:1]
[18] Hung K-C, Lin K-P. Information Sciences, 2013, 224: 37. [本文引用:2]
[19] Weng S, Li M, Chen C, et al. Anal. Methods-UK, 2015, 7(6): 2563. [本文引用:1]