新型金属纳米团簇和荧光碳点构建的比率型荧光生物传感器及应用研究

This work will focus on manufacturing and applying combined fluorescent metal nanoclusters and carbon dots. First, this study initiates to synthesize a series of novel ratiometric fluorescent material based on conjugating fluorescent metal nanoclusters and carbon dots. Furthermore, we will develop multiple biosensors for the detection of several enzyme biomarkers associated with cancers. The fluorescent metal nanoclusters possess high specific surface areas and good biocompatibility, while carbon dots exhibit superior stability, nontoxic, and fluorescent properties. Based on this, a series of dual emissive ratiometric fluorescent nanocomposites would be fabricated using step-by-step assembly strategy by covalent binding or electrostatic interaction. The structures, size distribution, and spectral characteristics of these ratiometric fluorescent nanocomposites were systematically optimized. Furthermore, combining the surface functionalization and design principle of optical sensors with the properties of fluorescent nanomaterials, we aim to develop high sensitive and selective sensing platforms for the detection of enzyme markers in real biological samples, facilitating their applications in cell fluorescence imaging.

本课题将以荧光金属纳米团簇和碳点为基础，构建一系列新型的碳点-贵金属纳米团簇比率荧光复合材料，并将其研制成生物传感器，应用于几种与疾病相关的生物酶标志物的定量检测中。首先，荧光金属纳米团簇具有比表面积大、生物相容性好等优势，与稳定性好、无毒且荧光性能良好的碳点通过硅烷化试剂以共价键或静电作用形成发射双波长的比率荧光纳米粒子；对该比率荧光纳米粒子的形貌结构、尺寸、光学性质进行表征；进而对材料的特异性、灵敏度进行检验，并探讨其与分析物的荧光相互作用机理；最终实现在复杂样品中对生物酶标志物的高灵敏、高选择性检测，并进一步应用于细胞生物成像研究。

本项目完成高性能的荧光贵金属纳米团簇和碳点合成，建立比率荧光传感器，对生物标记物进行检测，实现比率荧光材传感器高灵敏检测生物标记物的技术,并在真实样品中有很好的性能。将11-巯基十一酸(11-MUA)稳定的AuNCs共价连接到氨基功能化的CD/SiO2纳米颗粒表面，合成了比率荧光传感器, 制备了一种基于碳点(CDs)和金纳米团簇(AuNCs)的比率荧光传感器，实现高灵敏度、选择性、可视化检测Cu2+和碱性磷酸酶(ALP)。以含有季铵盐结构的喹钠啶红为原料，在常温常压碱性水溶液中超声法制备了新型阳离子碳点（QCDs）,基于血红蛋白（Hb）连接共轭聚合物纳米颗粒（CPNs），实现能够自发光和自供氧系统。通过静电作用将阳离子碳点进一步与四苯硼酸（ST）钠结合，得到的复合物用于超高灵敏度检测人血清样品中的K+。制备了基于两个碳点（CDs）的双通道荧光传感器阵列，用于区分四环素（TC）、土霉素（OTC）、强力霉素（DOX）和美他环素（MTC），利用线性判别（LDA）和支持向量机（SVM）对该模式进行了分析。利用多维数据（荧光强度和最大发射波长）建立具有更高特异性的传感器阵列平台。 通过“逐步预测”策略结合机器学习构建统一的 SX 模型，以打破阵列检测中的瓶颈。 SX-model 是一种通用模型，可以根据输入数据自动调整为最优模型。共发表SCI论文12篇，其中影响因子大于10 的一篇，大于5 的2篇。