【創新故事】

清晨6點，海南豇豆田間，農戶老馬掐下一根豇豆，心裡打鼓：這茬菜能不能放心賣？過去，答案要等實驗室檢測結果出來，少則一兩天，多則三五天。如今，他把檢測試紙條往手機鏡頭下一放，5至15分鐘，6到36種農藥殘留檢測結果盡現眼前。

這背后，是中國農業科學院農業質量標准與檢測技術研究所教授王靜帶領團隊，最新研發的“適配系列農產品農藥殘留等多靶標智能快檢技術”。它專門適配果蔬茶等農產品，實現農藥等多靶標同步智能快檢，填補了全球高精度、輕量化、可監管農殘普惠快檢的技術空白，達到國際領先水平。

從“等結果”到“當場見”，變化的不只是速度。對農戶，它是上市前的“定心丸”﹔對監管者，它是批量篩查的“輕騎兵”﹔對消費者，它是餐桌前的一道“可視防線”。而托起這枚小小試紙的，是研發團隊十年磨一劍的攻堅。

解鎖小分子

要想揪出農殘，第一步是讓試紙“認得出”農藥。抗體是試紙上的“識別鑰匙”，農藥小分子則是待開的“鎖”。鑰匙不精准，后續測得多快都白搭。研發小分子抗體成為團隊必須跨過的首道坎。

“農藥這類小分子，結構剛性弱、成鍵位點少，要做出特異性好、穩定性高的抗體，談何容易。”團隊成員金茂俊回憶，研發初期，小分子抗體研發長期依賴經驗，試錯率高、效率低，抵御特色農產品基質干擾的能力差。

那段日子，實驗室幾乎成了第二個家。大家聚焦主流農產品品類和風險參數，逐一拆解不同農產品基質特性，反復調試免疫層析標記參數，探究不同農產品基質對於抗體耐受性的影響。

挑戰遠比預想復雜。傳統免疫檢測遇到色素高、辛辣、酸度大、高糖的果蔬時，極易假陽性、結果不穩。“同樣的產品，換一處產地、換一個採收期，結果就可能‘打架’。”王靜說。

為找到症結，團隊開啟閉環攻堅模式：批量採集農產品不同成熟期、產地、種類樣本，全天候比對測試，厘清復雜基質干擾主要因素及機理，再對半抗原、免疫原的合成方案進行優化設計，顯著提升了抗體抵御基質干擾的能力。

攻克基質干擾難題后，小分子結構修飾，成為打磨這把“識別鑰匙”路上的另一塊硬骨頭。團隊不再局限於單一改造思路，反復研討分子修飾方案，精細調整合成工藝與反應條件。

無數個深夜，實驗室設備持續運轉，隊員逐組篩查數據、復盤失敗案例，鎖定半抗原結構缺陷、標記結合不穩定等核心卡點﹔優化分子連接方式，分級開展結構改造與性能驗証，在海量試驗中篩最優參數。

連續上萬組對比試驗后，團隊創建出小分子半抗原分級設計改造體系，從根源破解小分子結構剛性弱、成鍵位點少、半抗原設計成功率低等難題，搭建起適配農產品的專屬檢測體系。

這套體系跳出了傳統經驗試錯模式，有效提升了小分子抗體的特異性與穩定性，從源頭補齊檢測精准度短板，讓抗體穩穩地認出農藥小分子。

辨別多靶標

抗體解決了“認得出”的難題，但田間地頭檢測不能一次隻測一種。從單靶標到多靶標，好比從獨唱到合唱：不僅要讓36種農藥同時“發聲”，還要明辨是哪一個聲音。這是研發團隊要翻越的又一道道坎。

長期以來，國內傳統農殘快檢技術普遍存在局限：一套設備、一款試紙往往只能檢測少數幾種農藥，或僅適用於單一農產品品類。多靶標同步檢測難在哪？“就像讓幾十個不同音高的樂器同時演奏，我們必須分辨出每一個樂器。”王靜打了個比方，“我們要在陣列試紙上同步識別6至36種農藥殘留，同時耐受不同農產品帶來的基質干擾。”

為補齊“測不全”短板，團隊聚焦多靶標、多品類同步檢測需求，走遍全國農產品主產區、農貿市場、基層監管站點，採集數萬組不同品類、不同光照、不同基質環境下的試紙檢測圖像數據，構建專屬顯色計量化學模型與背景干擾扣除模型。

難題在攻關第三個月集中爆發。在海南豇豆產區，多種農藥殘留檢測試紙條竟完全失效。團隊成員李輝、單文寵飛赴海南，發現當地高溫高濕環境下，試紙顯色反應速率比北方快近一倍，原有模型“水土不服”。

團隊在田間搭建臨時實驗室，連續一周頂著40多攝氏度高溫，每半小時採集一次數據，終於摸清溫濕度對顯色反應的量化影響規律，優化試紙條標記工藝，把高溫高濕帶來的干擾削弱下來。

更大挑戰來自信號疊加失真。同一張試紙條上多重靶標同時顯色，不同條帶光信號過於密集，在採集成像時相互干擾，如同合唱團裡有人“串了調”。要解決，就必須重新設計顯色體系。

工業設計人員同步開展攻關：多通道陣列需在同一張試紙上集成獨立反應區，間距誤差不能超過1毫米。經反復調試，陣列一致性穩定控制在99%以上。

隨后，新型試紙顯色圖像判讀進入現場比對測試階段，數千份樣本、幾十種農藥、數十種基質的檢測結果，均與實驗室檢測吻合。如今，一次檢測，手機屏即可同步跳出6至36組數據——那些曾經相互干擾、“打架”的信號，終於實現同頻共振。

判讀顯色條

“又錯了？”2019年深秋，某省農產品批發市場快檢現場，質檢員舉著試紙卡搖了搖頭——同一張試紙，他判讀為陽性，旁邊的同事卻認為是陰性。爭議背后，是人眼識別臨界顯色信號存在天然誤差。

這個場景深深刺痛了正在現場調研的王靜，高通量農殘快檢如果依靠人工或普通讀卡儀，不僅容易出現主觀誤判，成本也偏高﹔加之數據採集上報全靠人工操作，批量篩查效率偏低。

回到實驗室，她召集團隊成員：“讓機器學會‘看’，還要比人眼更准。”目標十分清晰：研發智能圖像識別算法，實現試紙條顯色信號全自動、標准化判讀。

“困難從數據採集階段就已顯現。”王靜回憶，團隊奔赴全國各地農產品主產區，在田間地頭、農貿市場、基層監管站採集圖像。問題接踵而至，清晨的冷光、正午的強光、棚內的陰影光，同一條試紙在不同光照下拍出的圖像千差萬別﹔番茄汁液、菠菜研磨液、柑橘果肉等不同基質，背景底色深淺不一，直接干擾顯色信號的提取。

負責算法研究的團隊成員曹振提出“分而治之”的思路：先建背景干擾扣除模型，將農產品基質底色“漂白”﹔再構建顯色計量化學模型，精准刻畫顯色深淺與農藥濃度的量化關系。為解決強光下信號飽和失真的問題，團隊成員每天從日出拍到日落，採集了上千組不同光強下的序列圖像。

“模型訓練更是一場硬仗。”曹振至今記得，經十幾萬張標注圖像、上千次迭代優化后，算法在實驗室數據上准確率已達98%，可放到田間實地測試時，准確率卻驟降至85%。

團隊復盤后找到症結：試紙條顯色的邊緣效應會產生偽信號。大家連夜調整圖像預處理流程，增設邊緣自適應校正模塊，硬是將田間檢測准確率拉回至98%以上。

當第一版智能判讀小程序投入試用，手機屏幕彈出“陰性，合格”時，大家又特意調出那張曾經引發爭議的臨界試紙，算法很快給出明確的數值判定。大家笑了：“這技術，比人眼靠譜！”

從“認得出”到“測得全”，再到“識別快”，研發團隊的攻堅之路，正是把論文寫在田間地頭的生動注腳。展望未來，王靜表示，團隊將深耕產業一線需求，進一步完善可監管、可追溯的普惠快檢體系，為老百姓守好從田間到餐桌的安全防線。