基于化学信息学的SERS纳米传感器分子受体推荐系统：XGBoost框架驱动的多受体优化策略

本研究针对表面增强拉曼散射(SERS)检测中分子受体选择依赖人工试错、效率低下的问题，开发了一种基于XGBoost算法的三阶段"识别-排序-推荐"框架。通过建立包含9种受体与卤代苯甲醚相互作用的SERS数据库，结合密度泛函理论(DFT)验证，该系统能智能推荐最优受体组合，对结构类似物的区分准确率达95%以上。创新性地采用协同过滤技术，仅凭分子结构即可预测未测试分子的最佳受体组合，为复杂传感应用提供了从经验探索到数据驱动方法的重要范式转变。

　　

在环境监测和食品安全领域，卤代苯甲醚类化合物的检测至关重要。这类结构相似的化合物因氯取代基数量和位置差异而具有不同毒性，传统检测方法面临特异性不足的挑战。表面增强拉曼散射(SERS)技术虽能提供分子指纹信息，但其性能高度依赖分子受体的选择。目前受体筛选仍采用耗时费力的试错法，且受体数量过多会导致"维度灾难"(CoD)，严重影响机器学习模型的准确性。如何智能优化受体组合，成为提升SERS检测效能的关键科学问题。

新加坡国立大学的研究团队在《Nature Communications》发表创新成果，开发了首个化学信息学指导的SERS受体推荐系统(RS)。该系统通过建立包含9种硫醇化受体与5种卤代苯甲醚相互作用的SERS数据库，结合密度泛函理论(DFT)计算验证，构建了基于XGBoost算法的三阶段框架。研究突破性地实现了对结构类似物>95%的区分准确率，并首次实现仅凭分子结构预测未测试分子最佳受体组合的能力。

研究采用三项关键技术：1) 银纳米立方体的可控合成与九种受体功能化修饰；2) 结合DFT计算阐明受体-分析物相互作用机制；3) 开发包含特征选择、重要性排序和协同过滤的机器学习框架。通过系统采集1620组SERS光谱，建立首个受体-卤代苯甲醚相互作用数据库。

研究结果部分，"阐明受体-卤代苯甲醚相互作用"显示，DFT计算揭示了CHO受体通过双齿偶极相互作用与卤代苯甲醚形成能量-28.0至-17.0 kJ/mol的复合物，其结合构型与SERS光谱变化（如v_CO伸缩振动1724 cm^-1的蓝移）高度吻合。

"RS阶段1：识别单个受体特征组"证实，XGBoost算法自动筛选的14个特征组（对应CHO受体的特定振动模式）使分类准确率从70.9%提升至72.8%，有效缓解维度灾难。

"RS阶段2-3：排序特征组并推荐多受体"揭示，六受体组合(CHO-NH₂-OH-Br-COOH-PY)达到96.6%的峰值准确率，而更多受体反而因数据冗余降低性能，证实了算法的优化能力。

"建立卤代苯甲醚RS数据库"部分构建了包含26种分类组合的数据库，显示CHO受体在21种组合中表现最优，与DFT计算的结合能趋势一致。

"数据驱动协同过滤推荐未测试分子受体"的创新性体现在，仅凭2,4,6-TBA的分子结构（Tanimoto相似度36.27%），系统推荐的六受体组合与后续实验验证结果完全一致，准确率达95.7%。

这项研究实现了三大突破：首先，将电子商务领域的推荐系统概念创新性地引入化学传感，建立了首个数据驱动的受体优化框架；其次，通过特征重要性分析与DFT计算的相互验证，增强了机器学习模型的可解释性；最后，开发的协同过滤方法实现了"先预测后实验"的新范式。该技术对环境污染监测、食品安全检测等需要区分结构类似物的领域具有重要应用价值，为开发下一代智能纳米传感器提供了方法论指导。研究展现的"化学信息学+机器学习"融合策略，为材料科学领域的理性设计开辟了新途径。