综述：超越传统检测极限：通过重新编程化学发光技术实现时空控制与智能传感

《TRAC-TRENDS IN ANALYTICAL CHEMISTRY》：Beyond detection: Reprogramming chemiluminescence for spatiotemporal control and intelligent sensing

　　穆罕默德·萨基布（Muhammad Saqib）| 莫希布·乌拉（Mohib Ullah）| 雅伦·雷（Yun Lei）| 徐国宝（Guobao Xu）| 萨曼·侯赛因卡尼（Saman Hosseinkhani）| 刘爱琳（Ai-Lin Liu）
中国福建省福州市福建医科大学药学院药物分析系，福建省纳米生物医学技术高等教育重点实验室，350122

**摘要**
化学发光（Chemiluminescence, CL）是分析化学中最为灵敏的信号生成方法之一，其特点在于几乎无光学背景且无需外部激发。然而，传统的CL体系仍受限于瞬态的、扩散限制的动力学过程以及基于整体平均的信号输出，这些因素限制了时空精度并降低了分析信息的深度。最近的进展正在重塑CL的分析范式，使其超越传统检测方法，成为一种可编程、可重构且以信息为中心的分析手段。本文批判性地探讨了实现这一转变的基础设计原则。通过反应和激发态重编程、时间控制、空间限制以及非平衡系统设计的进步，从基于被动强度的读数方式演变为能够进行动力学和空间调控的分析方法。这些策略使得发光信号具有持续性、延迟性、振荡性、循环性以及形成特定模式的能力；空间分辨率从纳米尺度提升到单分子成像；同时出现了自主响应刺激的化学发光系统。此外，多色编码、比率分析、逻辑门控、信号放大以及机器学习辅助的解释技术将CL从单一的强度信号扩展为一种能够进行智能感知和动态信息处理的多维分析工具。尽管存在动力学稳定性、重复性、系统复杂性、可扩展性和设备集成等挑战，但这些研究有助于明确转化障碍和实际应用路径。本文通过提出一个系统级的可编程CL框架，为自主和集成分析技术的发展指明了方向。

**引言**
化学发光（CL）是将化学反应能量直接转化为光的最有效信号生成机制之一，无需外部激发。因此，CL具有极低的光学背景、超低的检测限、较高的信噪比（S/N比）、几乎无干扰，并且避免了光漂白、散射伪影和自荧光效应[1]。这些固有优势使CL成为临床诊断[2]、环境监测[3]、食品安全[4][5]、药物分析[6][7][8]和生物测定[9]等领域中高度灵敏且操作简便的分析技术。然而，历史上CL的分析应用一直受到动力学和质量传输限制的制约。传统CL系统产生的发光信号寿命短暂，受快速反应动力学和扩散控制的反应物混合过程影响，导致分析结果仅为时间积分和整体平均的强度测量[10]。虽然这些系统适用于目标分析物的定量分析，但这种框架限制了时间可编程性、空间分辨率和分析信息的深度。在异质材料和复杂生物系统中，这些限制尤为明显，因为空间异质性和动态过程蕴含着重要的机制信息[11]。

分子工程、材料科学和系统化学的最新进展正在改变这一现状[12]。现在人们正在有目的地重新设计CL，以实现可控的发光动力学、空间限制和自适应功能，而不仅仅是作为被动的信号传递者[13][14][15]。重要的是，这种转变将CL从一种瞬态闪光现象转变为一种能够在定义的空间和时间尺度上精确调控发光的可编程分析方法[16]。通过新荧光团的工程设计、新型反应物的开发、替代反应路径的设计，以及激发态动力学、能量转移过程和微环境相互作用的调控，可以精确控制发光行为。这些策略使得发光信号具有持续性、延迟性、振荡性和循环性，并能在主动的非平衡条件下运行，包括反应-扩散模式和响应刺激的架构[17][18][19][20]。同时，纳米结构支架、固相限制、分隔的微环境和单分子平台提供了空间分辨的控制能力，实现了前所未有的高分辨率的CL成像[21][22][23][24]。

此外，分析信息内容的扩展同样重要。传统CL检测主要依赖于单一的强度输出，而可编程CL系统越来越多地集成多色和多重编码、比率分析、信号放大和自增强策略、逻辑门控响应以及算法辅助的数据解释[25][26]。特别是，可编程CL指的是那些可以通过化学、物理或系统级别的输入来有目的地、可预测地控制发光特性（如持续时间、强度、光谱输出、时间轮廓和空间分布）的系统，而不仅仅受被动环境条件或内在反应动力学的影响（见框1）。这些发展将CL从单一参数读数提升为能够传递更丰富化学和时空信息的多维分析工具[27]。此外，化学设计与计算分析（包括机器学习辅助的框架）的结合进一步提高了可解释性、选择性和自适应分析性能，实现了智能感知和动态信息处理[28][29]。

尽管反应重编程、时间工程、空间限制、非平衡操作和信息丰富的信号编码被视为不同的分析策略[25][26]，但它们的功能最终都源于一系列共同的物理化学原理，包括对反应网络和动力学的控制、能量转移和激发态动力学、质量传输和扩散控制、微环境效应以及非平衡反馈[17][18][19][20]。这些相互关联的参数对于在时间、空间和信息维度上控制CL的产生至关重要[21][22][23][24]。重要的是，这些多样化的/互补的方法可以在可编程CL的统一机制视角下实现可预测和可编程的分析性能。

总体而言，这些发展为CL带来了决定性的概念转变。该领域正从扩散限制的闪光现象向确定性、空间有序且信息丰富的系统迈进。尽管之前的综述已经全面总结了荧光团的发展、基于纳米材料的放大策略和应用导向的生物传感系统，但这些研究主要集中在灵敏度提升、材料创新或目标特异性性能上[12][30][31][32][33][34][35]。然而，尚未有一个统一的框架将CL定义为一种可编程的、时空可控且以信息为中心的分析方法。本文通过将可编程性作为现代CL的核心组织原则来解决这一需求（见图1），重点讨论了反应和激发态重编程、时间工程、空间限制、非平衡系统的整合以及多维信号编码等基础设计策略。讨论内容从分子和反应层面的控制扩展到材料支持的架构、自主和模式形成系统，以及计算辅助的分析整合。此外，基于CL的分析系统被视为从检测到决策，最终实现自主性的进步。在传统CL系统中，分析性能主要局限于检测，其中分析物的响应基于瞬态强度信号；而在决策级CL系统中，CL输出被转化为离散且可解释的分析结果，包括二进制（是/否）响应、多状态分类以及通过逻辑门控、比率分析、多通道和算法辅助解码实现的条件依赖性输出。自主CL系统通过集成传感、信号处理和反馈调节的响应，在无需持续外部干预的情况下实现动态运行（见图1）。除了总结最新进展外，本文还批判性地评估了当前可编程CL的实际应用限制、权衡和转化障碍。最后，本文展望了智能、自适应和系统集成的化学发光平台的发展方向，为下一代分析技术指明了前进的道路。

**可编程CL的定义与分类**
可编程CL中的发光特性可以通过定义的输入进行可预测和有目的的控制，从而实现用户定义的时空或光谱输出。为了区分可编程CL和传统CL，可以将CL系统分为三个层次：

**层次I – 被动调制**
发光行为受内在的扩散过程、反应动力学或静态环境条件控制，信号特性无需用户定义即可产生。

**CL中的反应和激发态重编程**
控制能量释放、激发态形成和光子发射的化学机制在CL系统中起着关键作用。传统的CL系统（如鲁米诺、过氧草酸酯、二氧杂环丁烷和吖啶酯）通过已知的机制产生发光[6]。近年来，越来越多的研究致力于这些反应路径的刻意重编程，特别是荧光团的分子工程、反应物的重新设计以及调控。

**CL的时间工程**
虽然传统CL的特点是快速且不可控的闪光，但现代分析应用需要可编程的时间轮廓。时间工程将信号生成与即时检测分离，适用于资源有限的场景。从分析角度来看，时间结构化的发光轮廓为信息编码提供了新的维度，并支持智能CL系统中的时间分辨信号解释。

**空间和时空控制**
分析前沿正从整体平均测量（浓度）转向空间分辨分析（分布）。CL作为一种无背景的技术，无需激发激光源（否则会产生散射或自荧光），因此非常适合这一转变。CL系统中的空间控制源于质量传输、扩散限制和局部微环境的共同作用。

**主动、自主和非平衡CL系统**
这一部分定义了向主动物质系统的转变，这类系统消耗能量来执行机械工作或形成模式，远离热力学平衡状态运行。它们是通过持续的能量流维持有序的耗散结构。在自主CL系统中，传感、信号生成和响应通过非平衡或反馈控制的反应网络耦合在一起。在这些系统中，持续的化学能量耗散维持了动态行为。

**信息丰富和智能CL**
在大数据时代，单一的强度值已不足以满足需求。CL通过光谱复用、逻辑运算和数字解码等方式编码更高维度的信息，将化学光转化为数据。特别是反应网络设计、荧光团工程和激发态控制的进步为智能CL提供了化学/物理基础。智能CL系统实现了从检测到决策的转变。

**挑战、限制和转化障碍**
尽管取得了显著进展，但仍存在一些挑战限制了先进CL系统的实际应用。例如，不稳定的荧光团或反应物、高试剂消耗以及有限的能量效率限制了自供电或自主CL系统的长期运行。此外，由于缺乏标准化的反应条件、校准协议和CL发光的评估指标，重复性和实验室间差异仍然是一个挑战。

**展望与未来方向**
作为分析技术的路线图，可编程CL的未来发展应基于明确的转化相关性、重复性标准和性能指标。系统地报告时间发光特性、持续性能、能量效率和信息密度将有助于在不同类型的CL平台之间进行有意义的比较。这种协调对于评估可编程CL架构至关重要。

**结论**
CL已经超越了其作为瞬态、基于强度的检测方法的传统角色。通过有目的地重新设计反应路径、激发态动力学、时间行为、空间组织和信息内容，CL已成为一种能够实现时空控制和智能感知的可编程分析平台。本文总结了支撑这一转变的基础策略，并对其分析意义进行了批判性探讨。

**作者贡献声明**
刘爱琳（Ai-Lin Liu）：撰写、审稿与编辑、监督、资源管理、概念构思。
萨曼·侯赛因卡尼（Saman Hosseinkhani）：撰写、审稿与编辑、监督、概念构思。
徐国宝（Guobao Xu）：撰写、审稿与编辑、监督、概念构思。
雅伦·雷（Yun Lei）：撰写、审稿与编辑、监督。
莫希布·乌拉（Mohib Ullah）：撰写、原始草稿、实验研究、概念构思。

**利益冲突声明**
作者声明没有已知的财务利益或个人关系可能影响本文的研究结果。

**数据可用性**
本文未使用任何数据。

**致谢**
本项目得到了中国国家自然科学基金（82373838）、福建省自然科学基金（2023J01551）、福建省科技创新联合基金（2024Y9111）以及中国科学院院长国际奖学金计划（PIFI）的资助。