编辑丨
当植物面临干旱、高温或病虫害等逆境时，它们会通过释放如过氧化氢（H₂O₂）等信号分子发出「求救信号」。然而，传统的检测方法要么需要破坏性采样，要么灵敏度不足，难以实时捕捉这些微弱的信号。近期，浙江大学的研究团队在这一领域取得了突破性进展，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，能够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。这一研究成果发表于2025年6月2日的《Nature Communications》，题为「Machine learning-powered activatable NIR-II fluorescent nanosensor for in vivo monitoring of plant stress responses」。
背景：植物应激反应的检测挑战
植物在面对环境胁迫时，会产生一系列生理反应，其中之一便是释放诸如过氧化氢等信号分子。这些信号分子在植物体内传递信息，启动防御机制。然而，传统检测方法存在诸多局限。例如，化学分析法通常需要破坏性采样，无法实现实时监测；而现有的非侵入式方法则因灵敏度不足，难以捕捉微弱的信号变化。
创新突破：NIR-II荧光纳米传感器
浙江大学团队开发的这种新型纳米传感器，利用近红外二区（NIR-II）荧光技术，成功解决了上述难题。该传感器由NIR-II荧光团和POM（多金属氧酸盐）组成，其中NIR-II荧光团具有聚集诱导发光（AIE）特性，能够在1000-1700 nm的近红外二区发出荧光。这一波长范围能够穿透植物叶片的叶绿素自发荧光，实现深层组织监测。
技术核心：NIR-II荧光与机器学习的结合
-
NIR-II荧光技术：
- 穿透力强：NIR-II区间（1000-1700 nm）的光具有更强的组织穿透能力，能够有效穿透植物叶片，实现深层组织成像。
- 低背景干扰：相比可见光和近红外一区（NIR-I），NIR-II荧光具有更低的背景干扰，能够更清晰地捕捉目标信号。
-
机器学习算法：
- 数据处理与分析：通过机器学习算法，研究团队能够对大量荧光数据进行快速处理和分析，识别出微弱的H₂O₂信号变化。
- 模型优化：机器学习模型经过不断优化，能够提高信号识别的准确性和灵敏度，最终实现超96.67%的识别准确率。
实验验证：高准确率与广泛应用
研究团队在多种植物模型上对该纳米传感器进行了验证，包括拟南芥、水稻和小麦等。实验结果表明，该传感器能够在不破坏植物组织的情况下，实时监测植物体内的H₂O₂动态变化，准确率超过96.67%。
实验步骤与结果
-
传感器植入：
- 将纳米传感器通过叶片表面均匀涂布，确保传感器与植物组织充分接触。
-
应激处理：
- 对植物施加不同类型的胁迫，如干旱、高温和病虫害，模拟自然环境中的应激条件。
-
荧光成像：
- 使用NIR-II荧光成像系统对植物进行实时监测，记录H₂O₂信号的变化情况。
-
数据分析：
- 利用机器学习算法对荧光数据进行分析，识别H₂O₂信号的变化模式。
实验结果显示，该纳米传感器能够在不同胁迫条件下准确捕捉H₂O₂信号的变化，且信号识别准确率高达96.67%以上。这一成果为植物应激反应的实时监测提供了全新的技术手段。
应用前景：农业与环境监测的新利器
这项技术的应用前景广阔，尤其在农业和环境监测领域具有重要意义。
农业领域
- 精准农业：
Views: 0