當植物遭遇干旱、高溫或病蟲害時，它們會通過釋放過氧化氫等信號分子發出「求救信號」。對此，傳統檢測方法要么需要破壞性采樣，要么靈敏度不足，無法實時捕捉這些微弱信號。

但就在近期，浙江大學團隊開發了一種機器學習驅動的近紅外二區（NIR-II）熒光納米傳感器，能以非侵入的方式監測植物體內 H?O? 的動態變化，甚至提前預警不同類型的應激反應。

該研究以「Machine learning-powered activatable NIR-II fluorescent nanosensor for in vivo monitoring of plant stress responses」為題，于 2025 年 6 月 2 日刊登于《Nature Communications》。

論文鏈接：https://www.nature.com/articles/s41467-025-60182-w

納米傳感器

納米傳感器由 NIR-II 熒光團和 POM 作為組件組成。

熒光團染料選擇具有AIE特性的 NIR-II 染料，它能在近紅外二區（1000-1700 nm）發出熒光。這一區間能穿透植物葉片的葉綠素自發熒光，實現深層組織監測。

POMs作為 H?O? 響應單元，其表面的氧空位能特異性結合 H?O?，引發電子轉移，使 AIE 熒光團從「熄滅」狀態轉為「點亮」。

圖 1：AIENPs@POM 納米傳感器的設計和表征。

這種設計賦予傳感器 0.43 μM 的超高靈敏度（比傳統 NIR 傳感器高 5 倍）和 1 分鐘的快速響應時間，甚至能檢測到單個葉肉細胞內的 H?O? 細微波動。

為實現對植物應激信息的解碼，團隊訓練了一個XGBoost機器學習模型，基于傳感器捕捉的熒光信號時間序列，可以實現如下功能：

• 應激類型識別：通過分析信號的上升速率、峰值強度、衰減曲線等特征，區分干旱、高溫、機械損傷、病原菌感染 4 種應激類型，識別準確率超過 96.67%。
• 跨物種通用性：在生菜、玉米、擬南芥等 8 種植物中，模型無需重新訓練即可適應，顯示出成為植物界的通用翻譯器的潛力。

圖 2：ML 驅動的植物壓力狀態監測。

實驗模擬

將納米顆粒溶液噴灑在生菜葉片上，損傷后 20~30 分鐘內即可通過 NIR-II 熒光成像儀捕捉到穩定的 H?O? 信號，而觸摸與插入傳感器均不會觸發信號響應。

在對菠菜、辣椒和煙草的實驗中，受傷后的幾分鐘內，每個物種中的納米傳感器都激活了「開啟」模式，反映了由于壓力引起的 NIR-II 熒光強度的變化。

圖 3： 實時感應應力誘導的生菜中的 H?O? 信號。

從上述不同植物收集的熒光數據集被投放給 XGBoost ML 模型，用以檢測其在不同物種上的準確度。

最終模擬取得了超過 93.33% 的識別準確率。這種 ML 分析有助于快速處理實時傳感器數據，非常適合大規模篩選工作，不依賴于主觀報告，從而為檢測植物健康狀況提供了強大的評估工具。

從「精準農業」到「植物醫療」

正如論文一作所言，「我們正在搭建植物與人類的『溝通橋梁』，而 AI 是這座橋梁的『智能翻譯官』?！?/p>

從納米顆粒的分子設計到機器學習的智能解碼，這項研究展現了跨學科創新的力量。

當植物應激監測進入「實時、精準、智能」的新時代，農業就離「作物會說話，技術來應答」的 4.0 版本又近了一步。