基于SERS的手性靶标检测方法、系统及其应用
本发明化学分析，尤其涉及一种基于手性金纳米颗粒-银修饰玻璃纤维表面增强拉曼基底的手性靶标物质检测方法、系统及应用。
背景技术：
1、氨基酸是生命体系中的重要组成单元，也是蛋白质、酶、神经递质及多种代谢通路中的关键分子。除甘氨酸外，多数氨基酸均具有手性中心，并以l型和d型两种对映异构体形式存在。虽然两种对映体在分子组成和多数常规理化参数上高度相似，但其空间构型不同，常导致其在生物体内的识别过程、受体结合行为、代谢途径以及生理功能上表现出明显差异。因此，针对手性分子的识别与定量分析一直是分析化学、生物医学和分子诊断领域的重要研究方向。d-丝氨酸因其与神经系统功能密切相关而受到广泛关注。现有研究表明，d-丝氨酸与抑郁症和阿尔茨海默病等神经精神疾病密切相关，其在脑脊液中的水平与抑郁程度呈负相关，在血清中的变化亦具有潜在的生物标志物价值。因此，建立一种能够在复杂样品环境下对d-丝氨酸进行快速、灵敏、准确检测的方法，不仅具有重要的基础研究意义，也具有抑郁症和阿尔茨海默病等相关生物标志物辅助筛查和即时检测的应用潜力。
2、目前，针对手性分子的分析方法主要包括核磁共振、圆二色谱、圆偏振发光、拉曼光学活性、质谱、比色法及酶法等。这些方法在实验研究中各具优势，但普遍存在仪器昂贵、操作复杂、分析周期较长、前处理要求高、对复杂生物基质适应性不足以及现场应用受限等问题。
3、近年来，表面增强拉曼散射（sers）技术因其高灵敏度、快速响应及指纹谱特征明显等优势，在痕量生物分子检测中得到广泛关注。同时，基于手性等离激元纳米结构的局域电磁场增强效应，为手性分子的光学识别提供了新的技术路径。然而，现有手性sers检测体系仍存在一定局限性：其一，多数传统基底以二维结构为主，热点分布有限且均匀性不足，导致信号增强不稳定、重复性较差；其二，在复杂体系中，拉曼光谱易受基线漂移、背景散射、特征峰重叠及异常点干扰等因素影响，使得定量分析精度下降。
4、相比之下，三维多孔结构基底具有更高的比表面积及更丰富的电磁耦合位点，有利于构建高密度稳定“热点”区域，从而提升拉曼信号增强能力。然而，现有研究对手性识别过程中分子—纳米界面相互作用机制的系统性阐述仍不充分，难以解释不同氨基酸对映体在纳米表面吸附行为上的差异。此外，对于复杂光谱数据的定量分析，仅依赖人工选峰或单一特征比值的方法难以有效应对多峰重叠与噪声干扰问题。
5、因此，复杂sers光谱的高精度定量分析通常需要结合数据驱动方法，对原始光谱进行标准化处理、特征降维与信息筛选，并通过多模型融合或机器学习方法提升预测稳定性。然而，如何将手性等离激元纳米识别机制、高增强sers基底与智能光谱解析方法有效融合，从而构建兼具高选择性识别能力与高鲁棒定量分析能力的检测体系，仍是本领域亟待解决的关键技术问题。
技术实现思路
1、本发明的主要目的在于提供一种基于sers的手性靶标检测方法、系统及应用，以克服现有技术中存在的技术问题。
2、为实现上述发明目的，本发明提供了如下技术方案。
3、根据本发明的第一个方面，提供了一种手性金纳米颗粒的制备方法，包括：
4、提供金八面体晶种，所述金八面体晶种的表面全为（111）晶面；
5、以手性二肽为手性模板，诱导金原子在所述金八面体晶种表面定向沉积，从而形成所述手性金纳米颗粒。
6、在一个实施方案中，所述制备方法具体可以包括：在温度为25~60℃的条件下，向含有0.1~0.5 mm氯金酸、10~100 mm抗坏血酸和1~10 mm ctab的水溶液中加入碱进行反应，从而制得所述金八面体晶种，其中氯金酸与碱的摩尔比为0.5~2.5。
7、在一个实施方案中，所述制备方法具体可以包括：在室温下，向含有0.1~0.5 mm氯金酸和1~10 mm ctab的水溶液中加入抗坏血酸进行反应，并使氯金酸与抗坏血酸浓度的摩尔比为0.5~2.5，从而获得含有au+的生长溶液；之后向所述生长溶液内加入手性二肽和所述金八面体晶种并混合均匀，使手性二肽的浓度为0.5~4 mm，金八面体晶种的浓度为0.2~1od，再反应1h以上，从而制得所述手性金纳米颗粒。
8、在一个实施方案中，所述手性二肽包括半胱氨酸-亮氨酸二肽。当分别以l型、d型半胱氨酸-亮氨酸二肽作为手性金纳米颗粒的合成模板时，利用半胱氨酸巯基与金八面体晶种表面的强相互作用形成au-s键，并诱导金原子沿特定晶面定向沉积，可以分别获得具有镜像手性的l型、d型金纳米颗粒。该类手性金纳米颗粒在圆二色谱上呈现镜像对称响应，而常规紫外-可见吸收则难以直接区分二者。
9、根据本发明的第二个方面，提供了一种手性金纳米颗粒，其由本发明所述的任一种手性金纳米颗粒的制备方法制得。
10、进一步的，利用所述手性金纳米颗粒与具有相同手性构型的手性靶标物质之间的电磁场吸附作用，可以有效提升手性靶标物质的表面增强拉曼光谱信号。进而可以表面增强拉曼光谱信号变化为依据，实现对手性靶标物质浓度的定量检测。
11、以手性靶标物质为手性氨基酸分子为例，目标手性氨基酸分子与手性金纳米颗粒之间的识别主要基于三种作用类型：其一为含硫氨基酸通过au-s键实现强吸附；其二为具有芳香环共轭结构的氨基酸通过au-π相互作用实现富集；其三为某些不含巯基和大π共轭结构的氨基酸通过手性立体匹配和静电作用实现手性选择吸附。其中可被有效区分并增强检测的氨基酸包括半胱氨酸、组氨酸、甲硫氨酸、丝氨酸、苏氨酸、色氨酸和酪氨酸。
12、示例性的，若手性靶标物质为手性丝氨酸，可以设置拉曼检测光源波长为785 nm、功率为100 mw、积分时间为5s，并结合相应手性金纳米颗粒对其进行表面增强拉曼光谱检测，当然，若手性靶标物质是其他氨基酸或其他化合物，则相应的拉曼检测光源波长、功率和积分时间应当适当调整，不限于本发明所示例的范围。
13、根据本发明的第三个方面，提供了一种增强拉曼光谱检测基底的制备方法，包括：通过银镜反应在玻璃纤维膜上沉积银纳米颗粒，从而形成所述增强拉曼光谱检测基底。
14、在一个实施方案中，所述的制备方法具体包括：将玻璃纤维膜于银氨溶液中充分浸渍后取出，并以去离子水冲洗，之后浸入还原溶液中，于10~60℃下孵育25~60 min，从而制得所述增强拉曼光谱检测基底；其中，以agno3计，所述银氨溶液的浓度为0.5~1%；所述还原溶液为含有50~200 mm葡萄糖的水溶液。其中，可以通过调整银离子与葡萄糖的浓度调节银纳米颗粒的大小。
15、根据本发明的第四个方面，提供了一种增强拉曼光谱检测基底，包括玻璃纤维膜以及结合于所述玻璃纤维膜上的三维多孔网络结构，所述三维多孔网络结构由银纳米颗粒堆积形成。
16、进一步的，所述增强拉曼光谱检测基底由本发明所述的任一种增强拉曼光谱检测基底的制备方法制得。
17、进一步的，所述增强拉曼光谱检测基底具有三维多孔互连网络，能够显著提高比表面积并形成高密度sers热点；当吸附了目标手性靶标物质的手性金纳米颗粒沉积于该基底表面时，可进一步发生双金属等离激元耦合，从而显著增强局域电磁场，提高sers检测灵敏度。
18、根据本发明的第五个方面，提供了一种光谱数据智能分析模块，用于对检测样本的表面增强拉曼光谱检测数据进行预处理、特征筛选及浓度预测，从而实现对检测样本中手性靶标物质的定量分析。
19、所述光谱数据智能分析模块包括经训练获得的手性靶标物质定量预测模型，所述定量预测模型用于根据表面增强拉曼光谱数据同步预测d型手性靶标物质浓度和l型手性靶标物质浓度。
20、所述定量预测模型通过具有已知d型和l型手性靶标物质浓度的表面增强拉曼光谱样本数据训练得到。训练时，首先采用偏最小二乘法对高维拉曼光谱数据进行监督式潜变量提取，并通过交叉验证方式确定最优潜变量数，以获得与d型和l型手性靶标物质浓度变化相关的低维潜变量特征。
21、所述低维潜变量特征输入一维卷积-双向长短期记忆特征重构单元。所述一维卷积-双向长短期记忆特征重构单元包括一维卷积层、批归一化层、高斯误差线性单元激活层和双向长短期记忆神经网络层。其中，一维卷积层用于提取相邻潜变量之间的局部组合特征，双向长短期记忆神经网络层用于提取潜变量序列中的前向和反向依赖关系，从而获得深层光谱表征。
22、所述深层光谱表征进一步输入贝叶斯近似神经网络预测单元。所述贝叶斯近似神经网络预测单元包括依次连接的第一全连接层、批归一化层、高斯误差线性单元激活层、第一随机失活层、第二全连接层、高斯误差线性单元激活层、第二随机失活层和输出层。所述输出层包括两个输出节点，分别对应d型手性靶标物质浓度和l型手性靶标物质浓度。
23、在模型训练过程中，采用改进的双输出加权鲁棒约束损失函数对所述联合定量预测模型进行优化，
24、相比于传统均方误差损失函数仅对预测值与真实值之间的误差进行平方惩罚，所述改进的双输出加权鲁棒约束损失函数具有以下改进：其一，采用d型和l型双输出误差项，使模型能够同时学习两种对映体的浓度响应关系；其二，采用huber鲁棒误差项替代单纯平方误差项，使模型在小误差范围内保持较高灵敏度，在大误差范围内降低异常光谱对参数更新的干扰；其三，引入模型参数正则化项，以抑制过拟合并提高模型对未知样品的泛化能力。在训练过程中，通过反向传播更新所述定量预测模型的参数，并采用权重衰减优化策略、学习率调度策略和早停策略确定最终模型参数。由此，所述定量预测模型能够在复杂表面增强拉曼光谱信号中提取与手性对映体浓度相关的有效特征，并实现d型和l型手性靶标物质的定量分析；：
25、对于复杂体系中的定量分析而言，拉曼光谱数据容易受到基线漂移、散射效应、特征峰重叠、基底差异及异常光谱点的影响。因此，仅依赖人工选峰、单一峰强比值或经验判读，难以满足复杂样品中手性靶标物质的高精度定量检测需求。本实施方式中的光谱数据智能分析模块包括光谱预处理单元、偏最小二乘（pls）潜变量提取单元、一维卷积神经网络-双向长短期记忆网络（lstm）特征重构单元和基于蒙特卡罗随机失活的贝叶斯近似神经网络预测单元。该模块首先对拉曼光谱进行标准正态变量（snv）变换和变量标准化处理，以降低光谱整体强度波动和样品测试条件差异的影响；随后采用pls算法提取与d-丝氨酸和l-丝氨酸浓度相关的低维潜变量特征；再通过一维卷积神经网络- 双向lstm对潜变量特征进行非线性重构；最后通过贝叶斯近似神经网络输出d-丝氨酸和l-丝氨酸的预测浓度，并基于多次蒙特卡罗前向传播获得预测不确定度，从而提高复杂基质条件下手性靶标物质定量分析的可靠性和准确性。
26、所述光谱数据智能分析模块的输入为待测样品的拉曼光谱向量：
27、
28、其中，表示第个样品在第个拉曼位移处的光谱强度，为光谱采样点数。模型输出为：
29、
30、其中，表示输出预测结果，表示d-丝氨酸的预测浓度，表示l-丝氨酸的预测浓度
31、所述预处理阶段首先对原始拉曼光谱进行snv，以降低光谱整体强度波动、基底差异和样品测试条件变化带来的影响。对于第条光谱在第个拉曼位移处的强度，其snv处理方式为：
32、
33、其中，为第条光谱的平均强度，为第条光谱的标准差，为防止除零的极小常数，在一个具体实施例中，取110-8。
34、进一步地，为使不同拉曼位移处的光谱变量处于相同尺度，在完成snv变换后，对训练集中每一个拉曼位移变量分别计算其均值和标准差，并采用如下方式进行标准化处理：
35、
36、其中，表示第条光谱在第个拉曼位移处经snv处理后的光谱强度，表示训练集中第个拉曼位移变量的平均值，表示训练集中第个拉曼位移变量的标准差。上述标准化参数仅由训练集计算得到，并用于训练集、验证集、测试集及待预测样品的统一变换。通过该处理，每一个拉曼位移变量均被转换为以训练集均值为中心、以训练集标准差为尺度的无量纲变量，从而使不同变量处于相同数值尺度，避免高强度变量在模型训练中占据过大权重。
37、所述pls特征提取单元采用现有的pls算法实现，优选采用nipals算法或simpls算法实现，也可采用其他等效的pls算法实现。该单元不是新构建的神经网络层，而是现有的多变量统计回归特征提取方法。其输入为经预处理后的光谱矩阵和对应的浓度标签矩阵，其中，为训练样本数，为光谱采样点数；，两列分别表示d-丝氨酸和l-丝氨酸的真实浓度。
38、所述pls特征提取单元通过寻找能够同时解释光谱矩阵变化和浓度标签矩阵变化的潜变量方向，将高维光谱变量投影为低维潜变量得分。具体地，在第个潜变量提取过程中，pls算法确定权重向量，使由光谱矩阵得到的得分向量：
39、
40、与浓度标签矩阵之间具有较大的协方差。随后，根据得分向量计算相应的载荷向量，并对光谱矩阵和浓度标签矩阵进行残差更新，继续提取下一个潜变量。重复上述过程，得到个潜变量得分：
41、
42、其中，即为后续一维卷积神经网络- lstm特征重构模块的输入。通过该步骤，原始高维拉曼光谱被转换为与d-丝氨酸和l-丝氨酸浓度相关的低维特征，从而降低光谱噪声、变量共线性以及特征峰重叠对后续神经网络训练的影响。
43、所述pls潜变量数通过五折交叉验证确定。具体地，将带有真实浓度标签的训练样本随机划分为5个子集，每次取其中4个子集作为建模集，剩余1个子集作为验证集；依次轮换验证集，使每个子集均作为验证集一次。对于候选潜变量数，分别建立pls模型，并获得全部训练样本在交叉验证过程中的预测浓度。随后分别计算d-丝氨酸和l-丝氨酸的交叉验证均方根误差，并以二者之和最小为原则确定最优潜变量数：
44、
45、所述交叉验证均方根误差的计算方式为：
46、
47、其中，为最优潜变量数，表示第个样本的真实浓度，表示第个样本在交叉验证中作为验证样本时得到的预测浓度。pls潜变量数属于模型超参数，其在神经网络权重训练前通过交叉验证确定，不属于通过反向传播更新的神经网络权重参数。确定后，采用全部训练样本重新建立pls模型，并将训练样本和待预测样品均转换为相同维度的pls潜变量特征。在一个具体实施例中，将带标签光谱样本按照浓度组合进行分层随机划分，其中80%作为训练集，20%作为测试集；在训练集中进一步划分验证集，或采用五折交叉验证确定pls潜变量数和部分超参数。测试集不参与snv标准化参数、pls模型、神经网络参数及超参数的确定。
48、所述一维卷积神经网络- lstm特征重构模块用于接收所述pls潜变量特征。在本实施方式中，一维卷积层的输入是经预处理和pls降维后的光谱特征向量。作为可替代实施方式，在不设置pls特征提取单元时，也可将预处理后的完整拉曼光谱向量直接输入一维卷积层。
49、所述特征重构模块包括依次连接的一维卷积层、批归一化层、高斯误差线性单元激活函数层和双向长短期记忆网络层。具体地，将所述pls潜变量特征增加通道维度后形成尺寸为的输入张量，并输入一维卷积层。一维卷积层用于对不同阶次潜变量特征进行局部组合映射，以增强潜变量之间非线性关联的表达能力。
50、在一个具体实施例中，所述一维卷积层的输入通道数为1，输出通道数为16，卷积核大小为3，边缘填充数为1，输出尺寸为的卷积特征矩阵。
51、所述一维卷积层的输出即作为批归一化层的输入。批归一化层用于对卷积层输出的各特征通道进行归一化处理，以降低不同批次样品和不同特征通道之间的分布差异，提高网络训练稳定性。批归一化层不改变特征矩阵尺寸，其输出仍为，并输入至高斯误差线性单元激活函数层。
52、所述高斯误差线性单元激活函数层用于对批归一化后的卷积特征进行非线性映射，其函数形式为：
53、
54、其中，为标准正态分布的累积分布函数。该激活函数位于批归一化层之后、双向长短期记忆网络层之前，用于增强模型对拉曼光谱特征与目标物浓度之间非线性关系的表达能力。经所述高斯误差线性单元激活函数处理后的特征矩阵仍为。
55、随后，将所述特征矩阵转换为的序列特征形式，并输入双向长短期记忆网络层。其中，表示序列长度，16表示每个序列位置对应的特征维度。所述双向长短期记忆网络层包括前向长短期记忆网络和后向长短期记忆网络，分别用于提取潜变量特征序列中的正向关联信息和反向关联信息。
56、在一个具体实施例中，所述双向长短期记忆网络层采用单层双向结构，输入维度为16，每个方向的隐藏单元数为64，输出维度为128。将前向长短期记忆网络的最终隐藏状态与后向长短期记忆网络的最终隐藏状态进行拼接，作为最终重构特征，并输入贝叶斯近似神经网络预测单元。
57、所述双向长短期记忆网络层为现有的双向lstm网络结构，其内部包括输入门、遗忘门、输出门和细胞状态更新单元。输入门用于控制当前输入特征写入细胞状态的程度，遗忘门用于控制历史状态保留程度，输出门用于控制隐藏状态输出程度，细胞状态用于传递序列中的长期依赖信息。除上述双向长短期记忆网络外，能够实现序列特征关联提取的单向长短期记忆网络、门控循环单元网络、循环神经网络或其等效结构，均可作为替代结构应用于本发明。
58、所述贝叶斯近似神经网络预测单元用于接收最终重构特征，在单次前向传播中输出d-丝氨酸和l-丝氨酸的预测浓度；在预测阶段通过多次蒙特卡罗前向传播获得多个预测结果，并根据多个预测结果的均值和标准差分别得到最终预测浓度和预测不确定度。所述贝叶斯近似神经网络预测单元包括依次连接的第一全连接层、批归一化层、高斯误差线性单元激活函数层、第一随机失活层、第二全连接层、高斯误差线性单元激活函数层、第二随机失活层、输出层和归一化输出函数层。
59、在一个具体实施例中，最终重构特征的维度为128。第一全连接层将128维特征映射为64维特征，用于对双向长短期记忆网络输出的综合特征进行压缩和重组；批归一化层用于稳定64维特征分布；高斯误差线性单元激活函数层用于引入非线性表达；第一随机失活层用于随机屏蔽部分神经元连接。随后，第二全连接层将64维特征映射为32维特征，经高斯误差线性单元激活函数层和第二随机失活层处理后输入输出层。输出层将32维特征映射为2维输出，分别对应d-丝氨酸和l-丝氨酸的归一化预测浓度。在一个具体实施例中，归一化输出函数层采用sigmoid函数将预测结果限制在0至1范围内；在其他实施方式中，也可采用非负约束函数或线性输出后截断处理。随后，根据训练样品中的浓度范围进行反归一化，得到实际浓度预测值。
60、所述贝叶斯近似神经网络预测单元优选为基于蒙特卡罗随机失活的贝叶斯近似神经网络。其在训练阶段启用随机失活层；在预测阶段保持随机失活层启用，并使批归一化层采用训练阶段保存的均值和方差进行归一化，使同一样品在多次前向传播过程中得到多个预测结果。每一次前向传播相当于从近似后验分布中采样得到一个子网络预测结果。将多次预测结果的平均值作为最终预测浓度，将多次预测结果的标准差作为预测不确定度。需要说明的是，所述贝叶斯近似神经网络不限于基于蒙特卡罗随机失活的结构，也可采用变分贝叶斯近似神经网络、深度集成神经网络、带概率输出层的神经网络或其他能够同时输出预测均值和预测不确定度的等效网络结构。
61、模型训练阶段包括样本制备、训练数据构建、pls特征提取、神经网络参数更新和模型保存。首先，制备不同d-丝氨酸和l-丝氨酸浓度组合的标准样品，采集每个标准样品的增强拉曼光谱，形成带有真实浓度标签的训练数据集。每条训练光谱对应一个二维浓度标签：
62、
63、其中，表示第个训练样品中d-丝氨酸的真实浓度，表示l-丝氨酸的真实浓度。训练样本的标签可由样品配制时的标准浓度直接确定。
64、其次，对训练光谱依次进行snv变换、标准化处理和pls特征提取，得到训练样本的pls潜变量特征。为提高模型对噪声和基线轻微漂移的鲁棒性，可对训练光谱进行数据增强处理，包括向训练光谱中加入小幅高斯噪声和低幅度基线漂移。增强后的光谱保留原始样本的真实浓度标签，并通过相同的pls模型转换为潜变量特征后参与神经网络训练。数据增强仅作用于训练集样本，验证集、测试集及待预测样品不进行数据增强处理。
65、所述一维卷积神经网络-lstm特征重构模块中的可调参数包括但不限于：一维卷积层的输出通道数、卷积核大小、边缘填充数、长短期记忆神经网络的隐藏单元数、网络层数以及是否采用双向结构。所述贝叶斯近似神经网络中的可调参数包括但不限于：全连接层的层数、每层神经元数量、激活函数类型、随机失活概率以及蒙特卡罗前向传播次。pls潜变量数属于超参数，在神经网络权重训练前通过交叉验证确定；卷积层、长短期记忆网络层和全连接层中的权重参数则在训练过程中根据损失值通过反向传播进行更新。
66、在训练前，对真实浓度标签进行归一化处理，以降低不同浓度范围对损失函数的影响。优选地，以训练集中d-丝氨酸和l-丝氨酸的最大浓度分别作为归一化因子，得到归一化标签：
67、
68、其中，和分别表示训练集中d-丝氨酸和l-丝氨酸的最大浓度。神经网络输出为归一化预测结果：
69、
70、训练过程中，将模型输出的归一化预测结果与真实归一化浓度标签进行比较，并根据二者之间的误差计算损失值。优选地，优选采用改进的双输出加权鲁棒约束损失函数作为训练损失函数：
71、
72、其中，为模型训练损失，为模型参数，为训练样本数量，和分别为第个样本中d型和l型手性靶标物质的归一化真实浓度，和分别为对应的归一化预测浓度，和分别为d型和l型预测误差的权重系数，γ为总浓度一致性约束项的权重系数，在一个具体实施例中，和取1，γ取0.1。为模型参数正则化项，为huber损失函数。所述huber损失函数定义为：
73、
74、其中，表示预测值与真实标签之间的误差，为损失函数阈值，在一个具体实施例中，取0.1。huber损失函数在误差较小时近似为均方误差，在误差较大时近似为绝对误差，因此能够在保证回归精度的同时降低异常光谱或异常标签对模型训练的影响。
75、在每一轮训练中，将一批pls潜变量特征输入模型，获得d-丝氨酸和l-丝氨酸的归一化预测浓度；根据预测浓度与真实浓度标签计算损失值；再根据损失值对一维卷积层、长短期记忆网络层和贝叶斯近似神经网络中的权重参数进行反向传播更新。训练完成后，保存损失值最低或验证性能最优的模型参数，用于后续待测样品预测。
76、在一个具体实施例中，模型训练过程中采用adamw优化器，即具有解耦权重衰减的自适应矩估计优化器，学习率为，批大小为32，最大训练轮数为600；一维卷积层的输入通道数为1，输出通道数为16，卷积核大小为3，边缘填充数为1；长短期记忆神经网络层采用单层双向结构，隐藏单元数为64；贝叶斯近似神经网络全连接层结构为128→64→32→2，随机失活概率为0.3。
77、在预测阶段，对待测光谱采用与训练阶段相同的snv变换、标准化参数和pls模型进行处理，得到待测样品的pls潜变量特征。随后保持贝叶斯近似神经网络中的随机失活层处于启用状态，并使批归一化层采用训练阶段保存的均值和方差进行归一化；对同一待测光谱重复进行t次前向预测，优选t=100，得到多组预测结果。预测均值和标准差分别为：
78、
79、
80、其中，作为d-丝氨酸和l-丝氨酸的最终预测浓度，作为预测不确定度。进一步地，可根据d-丝氨酸预测浓度和l-丝氨酸预测浓度计算总浓度及d型占比：
81、
82、
83、模型性能通过决定系数、均方根误差、检出限和定量限等指标进行评价。决定系数用于评价模型预测值与真实值之间的一致性，均方根误差用于评价模型预测误差大小。进一步地，还可以基于真实浓度为0的空白样本预测结果计算检出限和定量限。设空白样本的模型预测均值为，标准差为，则：
84、
85、
86、其中，表示检出限，即在空白样本背景下能够与空白响应区分的最低可检测浓度；表示定量限，即能够进行可靠定量分析的最低浓度。
87、根据本发明的第六个方面，提供了一种基于sers的手性靶标检测方法，包括：
88、将所述手性金纳米颗粒与含有手性靶标物质的待测样品在液相体系中混合孵育，得到混合物；
89、将所述混合物施加至所述增强拉曼光谱检测基底的表面，并进行表面增强拉曼光谱检测，实现对手性靶标物质的检测；
90、其中，所述手性金纳米颗粒与所述手性靶标物质具有相同的手性构型。
91、在一个实施方案中，所述手性靶标物质包括手性氨基酸。
92、进一步的，所述手性氨基酸包括半胱氨酸、组氨酸、蛋氨酸、丝氨酸、苏氨酸、色氨酸、酪氨酸中的一种或多种的组合，且不限于此。
93、较为优选的，所述手性氨基酸为丝氨酸，优选为d-丝氨酸。
94、在一个实施方案中，所述混合孵育的时间为5~10 min。
95、在一个实施方案中，在进行所述表面增强拉曼光谱检测时，拉曼检测功率为10~100 mw，积分时间为1~5 s。
96、在一个实施方案中，所述的方法具体包括：
97、以光谱数据智能分析模块对采集的表面增强拉曼光谱检测数据进行预处理、特征筛选及浓度预测，从而实现对所述手性靶标物质的定量分析；
98、其中，所述光谱数据智能分析模块采用深度贝叶斯近似神经网络模型，所述深度贝叶斯近似神经网络模型基于200～2000 cm-1拉曼指纹区光谱建立。
99、根据本发明的第七个方面，提供了一种基于sers的手性靶标检测系统，包括：
100、所述手性金纳米颗粒，所述手性金纳米颗粒与手性靶标物质具有相同的手性构型；
101、所述增强拉曼光谱检测基底；
102、以及，拉曼光谱仪。
103、在一个实施方案中，所述手性靶标检测系统还包括：
104、光谱数据智能分析模块，对采集的表面增强拉曼光谱检测数据进行预处理、特征筛选及浓度预测，从而实现对所述手性靶标物质的定量分析。
105、根据本发明的第八个方面，提供了所述基于sers的手性靶标检测方法或所述基于sers的手性靶标检测系统在检测d-丝氨酸中的用途。
106、根据本发明的第九个方面，提供了所述基于sers的手性靶标检测方法或所述基于sers的手性靶标检测系统在抑郁症相关生物标志物的快速辅助筛查中的应用。
107、与现有技术相比，本发明至少具有如下有益效果：
108、（1）本发明利用手性金纳米颗粒的同手性识别能力，实现了对手性靶标物质的优先捕获，提高了手性识别选择性。再通过将手性金纳米颗粒与银纳米颗粒三维网络修饰玻璃纤维形成的增强拉曼光谱检测基底耦合，构建了具有高灵敏、高选择性和高信号放大能力的手性表面增强拉曼检测平台，能够形成更强的局域电磁场和更高密度热点，从而更为显著的增强拉曼信号。进而通过引入深度贝叶斯近似神经网络对复杂生物基质中的全光谱信息进行智能解析，有效降低背景干扰，提高了定量精度与稳健性。
109、（2）本发明对半胱氨酸、组氨酸、甲硫氨酸、丝氨酸、苏氨酸、色氨酸和酪氨酸等氨基酸表现出良好的识别能力，在模拟尿液和血清中对d-丝氨酸的检出限可达0.1 μm，回收率主要分布于90%～110%。对实际小鼠血清样本进行检测时，检测结果与液相色谱对比，差异小于15%，具有良好的临床辅助筛查应用前景，可用于抑郁症和阿尔茨海默病相关生物标志物的快速、无创辅助筛查，并为手性分子即时检测提供新的技术路径。