论文部分内容阅读
免疫学分析方法因其独特的优势在检测领域备受关注。侧向流动免疫层析法(Lateral flow immunochromatography,LFI)和酶联免疫吸附法(Enzyme-linked immunosorbent assay,ELISA)作为免疫学分析中最常用且发展最为成熟的两大筛查平台,因其简便、快速、特异性强且成本低等优势被广泛应用于临床诊断、环境监控以及食品安全检测等领域。然而,这两种免疫学分析方法的最大局限在于其检测灵敏度偏低,无法对微量及痕量目标物进行准确的定性及定量分析,难以满足某些实际应用的需求。如何提高这两种免疫学分析方法的灵敏度已成为当前亟待解决的主要问题。既往研究表明寻找新型标记物以及优化抗原(Antigen,Ag)与单克隆抗体(Monoclonal antibody,mAb)亲和力是提高LFI和ELISA灵敏度的有效途径,本研究探讨了新型标记物及异源竞争系统提高检测灵敏度的可行性,从而拓宽了其在超灵敏检测中的应用范围。第一章绪论对包括LFI和ELISA在内的免疫学分析方法系统地进行了介绍;对本研究中所涉及到的喹诺酮类(FQs)及磺胺类(SAs)药物进行了分述,其中包括两者的危害、限量标准及现有的检测方法等。第二章建立了基于时间分辨荧光微球的LFI用于检测生牛乳中磺胺二甲基嘧啶(Sulfamethazine,SMZ)残留。本章创新性地将一种时间分辨荧光微球Eu(Ⅲ)-doped polystyrenenanoparticles(EuNP)与新设计的全抗原同时应用于LFI系统。动态光散射表征结果表明EuNP-mAb复合物体系具有良好的分散系数,生物膜层干涉结果显示新设计的Ag与mAb之间的亲和力(3.214×10-5 M)远低于传统Ag与mAb之间的亲和力(3.875×10-9 M)。在最优工作条件下,EuNP-LFI用于检测生牛乳中SMZ残留时的最低定量检测限、线性范围及回收率分别为4.5 pg/mL、0.05-10 ng/mL 及 96.1%-108.2%。第三章建立了一种能够同时定性及定量检测生牛乳中SMZ残留的LFI。本章利用了金磁纳米粒子(gold-magenetic nanobeads,AuMB)的富集作用、显色作用以及淬灭作用。简言之,AuMB与mAb偶联后,能够对样本中游离的目标物进行富集,AuMB-mAb复合物与试纸条测试线(Test line,Tline)上喷涂的全抗原结合后能够在T线上显色(起到肉眼判读作用),AuMB-mAb复合物能够淬灭T线上喷涂的荧光物质所发出的荧光信号(起到荧光定量作用)。在最优工艺条件下,本方法的肉眼定性判读阈值为5 ng/mL,最低定量检测限及线性范围分别为 0.39 及 0.5-200 ng/mL。第四章建立了基于聚集诱导发光(Aggregation-Induced Emission,AIE)材料的LFI用于检测九种食品基质中诺氟沙星(Norfloxacin,NOR)的残留。本章利用微乳液法合成了一种全新的AIE荧光微球(Aggregation-Induced Emission Fluorescent Microbeads,AIEFM),荧光光谱表征结果表明,AIEFM的荧光强度及Stoke’s shift比商业化的FITC荧光微球大,动态光散射表征结果表明,AIEFM-mAb复合物体系具有良好的分散系数,上述特性均有利用LFI灵敏度的提高。本方法在对蜂蜜、鸡蛋、鸡肉、生牛乳、牛肉、羊肉、鱼肉、猪肝以及猪肉中的NOR检测时,其最低定量检测限分别为0.03、0.03、0.02、0.04、0.14、0.30、0.15、0.04 和 0.22ng/mL,相应的线性范围分别为 0.05-20、0.05-10、0.05-10、0.05-20、0.5-100、1-200、0.5-100、0.05-10 和 0.5-200ng/mL。利用建立好的 AIEFM-LFI对135个食品样本(基于上述九种食品基质)中的NOR进行了检测,并与液质联用技术的检测结果进行了比较,结果表明AIEFM-LFI能够准确地筛查出阳性样本。第五章利用半抗原的分子描述符,同时结合机器学习方法,成功筛选到了目标异源竞争抗原(Heterologous competitive antigen,HCA)从而显著提高了 ELISA灵敏度。本章首先成功制备了抗恩诺沙星(Enrofloxacin,ENR)的mAb。利用Molelular Operating Enviroment操作软件计算了不同FQs的分子描述符。随后利用机器学习的方法对分子描述符以及相应全抗原存在下的ELISA灵敏度进行了分类学习,结果表明分类学习能够很好地辅助筛选到目标HCA。基于筛选到的竞争抗原(sarafloxacin-BSA)的ELISA的灵敏度比传统ELISA的灵敏度提高了10倍。本章提出的策略能够在制备出普通抗体(不对免疫原进行额外修饰的情况下)的基础上,有效地筛选合适的HCA以提高ELISA的灵敏度。第六章探讨了利用半抗原之间的交叉反应率筛选目标HCA用于提高ELISA灵敏度的可行性。本章首先研究了同源包被原与mAb配对情况下,15种FQs之间的交叉反应率。随后将上述15种FQs与牛血清白蛋白(Bovine Serum Albumin,BSA)偶联形成包被原,并测定这15种包被原与mAb配对情况下的ELISA灵敏度。结果表明,交叉反应率为0.77%至49.92%的FQs所对应的HCA存在下的ELISA灵敏度高于同源包被原存在下的ELISA灵敏度。随后测定了其他四种FQs的交叉反应率及相应全抗原存在下的ELISA灵敏度,并利用聚类分析、逻辑回归等算法对上述结果进行了统计学分析,结果均验证了上述交叉反应率范围的合理性。在此基础上,生物膜层干涉及分子模拟结果也揭示了可通过交叉反应率找到潜在的HCA,从而提高ELISA或其他免疫学分析方法的灵敏度。第七章对全文工作进行了总结,展望了未来提高免疫学分析方法灵敏度的方向与思路。