浙江大学智能生物产业装备创新团队（IBE）应义斌教授和平建峰教授在Nature Communications上发表研究论文“Machine learning-enabled implantable plant biomarker sensor for early detection and classification of acid and salt stress”。为应对土壤酸化和盐渍化对农业生产造成的严重威胁，该研究开发了一款基于机器学习的植入式生物标志物传感器（MLIPBS）用于植物生化信息在体监测，并应用于植物酸、盐等非生物胁迫的早期诊断，为抗逆作物的筛选与作物胁迫早期诊断提供了一种新的技术途径。
图1. 该研究在Nature Communications期刊上发表的相关信息
在农业生产环境中，酸胁迫和盐胁迫常导致植物出现相似的外部表征和生理响应，这种非特异性变化为非生物胁迫的早期分类带来了极大挑战。鉴于传统表型观察存在滞后性、环境推断易受干扰且离线理化分析缺乏时效性，亟需开发一种能够深入植物组织内部、直接捕捉生化信息动态变化的在体监测手段。
为此，这项研究基于激光诱导石墨烯（LIG）技术设计了一种三维柔性可植入多参数传感器。该器件采用折纸式构型设计，兼顾了机械穿透力与柔性适配度，可与植物复杂的组织表面实现共形贴合，从而保障在体监测的稳定性。基于LIG电极界面的三维多孔结构，进一步构建了高灵敏、高选择性的多功能感知界面，实现了对H2O2、K+和pH的同步检测。器件在体监测获取的多参数电化学信号揭示了胁迫下植物生理响应规律，同时为AI模型的构建提供了数据支撑。此外，MLIPBS在多个植物物种中应用，包括生菜、番茄、芦荟，展示了其较好的适用性。
图2. 用于胁迫类型与程度早期检测及分类的MLIPBS
为实现植物酸、盐等非生物胁迫的早期分类，该研究基于在体多参数实时监测数据，构建了用于酸、盐及其复合胁迫早期诊断的机器学习模型，并采用留一法交叉验证（LOOCV）验证了该模型的泛化性能。评估结果显示，模型在二分类预警和多分类诊断中分别达到96.5%的准确率与90%的宏平均F1分数。该系统能够在植物宏观病症出现前至少48小时提供预警，为农业抗逆施策提供了更有效的时间窗口。
图3. 基于机器学习模型的非生物胁迫诊断
该研究为植物逆境胁迫监测领域实现从间接环境推断向直接生理诊断的范式转变提供了一种新的思路，未来有望结合边缘计算实现田间自主实时预警。
该研究论文的第一作者为浙江大学IBE团队的2022级博士研究生周胜寒，通讯作者为应义斌教授。该研究受到了国家自然科学基金区域创新发展联合基金的资助支持。
原文链接：https://www.nature.com/articles/s41467-026-72344-5
