微流控生物传感器中的人工智能:从信号处理到闭环检测

《TrAC Trends in Analytical Chemistry》:Artificial Intelligence in Microfluidic Biosensors: From Signal Processing to Closed-Loop Detection

【字体: 大 中 小 】 时间:2026年10月11日 来源:TrAC Trends in Analytical Chemistry 13.5

编辑推荐:

   •一个系统框架将AI感知、微流控和闭环控制融为一体。•AI连接了信号处理、边缘部署和硬件-算法协同设计。•集成系统设计关联到临床转化中的障碍。•数据异质性、可解释性和设备变异性是相互关联的障碍。•优先事项包括基础模型、联邦/主动学习和标准。引言可靠的分析测量是诊断、纵向监测、

  
  • •
    一个系统框架将AI感知、微流控和闭环控制融为一体。
  • •
    AI连接了信号处理、边缘部署和硬件-算法协同设计。
  • •
    集成系统设计关联到临床转化中的障碍。
  • •
    数据异质性、可解释性和设备变异性是相互关联的障碍。
  • •
    优先事项包括基础模型、联邦/主动学习和标准。

引言

可靠的分析测量是诊断、纵向监测、环境分析和治疗评估等应用的基础。代表性用途包括传染病监测[1]、肿瘤生物标志物监测[2]、环境污染物检测[3]和个体药物代谢评估[4]。这些场景中的性能不仅取决于灵敏度和响应时间,还取决于处理复杂样品并生成临床上可解释输出的能力。因此,生物传感器和微流控系统互为补充:生物传感器提供分子识别和信号转换,而微流控则将样品处理、试剂输送和反应控制微型化。
自Clark和Lyons于1962年推出葡萄糖氧化酶电极[5]以来,生物传感器的发展一直受材料、表面化学和微制造技术进步的推动,由此产生了电化学、光学、声学及相关信号转换格式[6]。Wang[7]对早期葡萄糖生物传感器的发展和应用局限性进行了综述。将生物传感器与微流控耦合,可在微型化的样品到结果工作流程中整合样品制备、试剂处理、反应控制和信号采集[8]、[9]。
尽管存在这种互补性,实际集成仍然受到三个相关问题的制约:传感器在复杂基质中的不稳定性;成像、光谱和高通量检测产生的高维数据;以及需要精确、通常是实时控制的非线性微尺度流体动力学[10]、[11]。传统分析工作流程不太适合处理此类耦合和异质数据。AI方法,特别是机器学习(ML)和深度学习(DL),为非线性映射、特征提取、校准和自适应控制提供了工具[12]、[13]。
因此,AI方法已被应用于分析工作流程的多个阶段。卷积神经网络(CNNs)支持基于图像的微流控设备中的细胞分类和缺陷检测[14];循环神经网络(RNNs),包括长短期记忆(LSTM)和门控循环单元(GRU)网络,用于连续监测应用中生理时间序列数据的建模[15];生成对抗网络(GANs)和强化学习(RL)已被探索用于逆向设计和自适应流体控制[16]、[17]。
这些例子说明了不同的计算功能,而非AI的单一统一角色。根据应用不同,模型可能用于提取特征、校正漂移、预测分析响应或更新操作参数。因此,相关的转变是从事后信号解释转向在运行过程中推理可以指导校准或执行的系统。
近期综述研究了微流控和基于纸张的分析设备中AI赋能的设计、控制和信号解码[18],机器学习与微流控生物传感器的集成[13],智能芯片实验室平台[19],基于图像的细胞分析[14],机器学习增强的微流控细胞分选[20],以及特定模态的系统,如AI辅助的微流控表面增强拉曼散射(SERS)生物传感[21]。其他综述更广泛地探讨了AI赋能的生物传感器或特定应用的微流控平台[22]、[23]、[24]。近期综述特别关注用于即时诊断的AI集成光学生物传感器[25],生物化学传感器模态的功能增强[26],或AI支持的连续葡萄糖监测、预测、校准和治疗控制[27]。这些综述建立了感知和计算方面的显著进展,但它们并不始终使用相同的操作标准来比较系统。因此,本综述使用证据阶梯——AI辅助读取、在线推理、决策关联执行和完整的测量-推理-执行-再测量反馈——来区分能力与术语。其区别在于联合分析物理闭环控制、硬件-算法协同设计、边缘部署以及跨微流控生物传感平台在设备、场所和生物分布变化下的验证。第2节仅限于这些平台所需的分析功能;第3节AI在生物传感器中的应用、第4节AI在微流控芯片中的应用探讨了感知和流体层;第5节评估了集成架构和使用场景;第6节确定了转化需求。
为了使这种区分更加明确,表1使用操作标准比较了代表性近期综述,而不是计算每篇文章提及了多少主题。该比较有意区分主题提及和专用分析框架。广泛综述如[19]讨论了实时微流控控制,但它们没有使用检测时间要求的物理执行后跟再测量的标准来定义完整的闭环操作。因此,本综述的主要方法论贡献是使用共同的证据阶梯和严格的操作定义来分类异质性AI-微流控生物传感器系统。

章节片段

分析信息提取与动态信号建模

本节按照微流控生物传感所需的分析功能组织,而非按通用AI模型家族组织。这些功能包括从图像和光谱中提取分析物相关信息、从连续信号中进行时间估计、对有限的设备特定数据集进行物理有效增强、以及集成异质测量用于定量或控制。CNNs、循环或基于注意力的模型、生成方法和强化

AI在生物传感器中的应用

生物传感器通过将识别事件转换为光学、电气或电化学信号,构成AI赋能微流控系统的测量层。此阶段的AI方法用于支持传感器设计、信号处理、校准和漂移校正。其系统层面的价值取决于输出结果是否足够稳定和可解释,以指导下游流体处理或决策。因此,本节关注改进以下方面的方法

AI在微流控芯片中的应用

微流控设备提供集成分析系统的流体处理和执行组件。其操作涵盖多项任务:流体和液滴控制、细胞分选、自动化检测执行以及高含量数据集的解读。传统工作流程通常以固定参数运行,对气泡、通道变形或样品异质性等干扰响应不佳。AI可以为这些任务做出贡献——从实时

AI驱动的微流控生物传感器集成系统

集成系统需要感知、计算、流体处理和执行之间的协调。在闭环平台中,传感器测量在运行过程中进行分析,所得估计值用于更新流量、阀门状态、液滴生成或采集设置等变量。本节探讨此类集成的架构和实施要求,包括反馈设计、延迟、硬件-软件接口和设备端计算。

挑战与未来方向

上述综述的研究表明感知、自动化和数据分析取得了实质性进展。然而,临床和现场部署取决于仅通过准确性或检测极限值无法捕捉的局限性。本节探讨数据质量、可解释性、系统集成和验证作为相互依赖的转化需求[13]、[168]、[169]。

CRediT作者贡献声明

倪洁:撰写——审阅与编辑、可视化、验证。宛小亚:撰写——审阅与编辑、可视化、验证。罗爱勤:监督指导。刘芳:撰写——审阅与编辑、可视化、验证。耿丽娜:监督指导、资金获取、概念构思。黄天宇:监督指导。Veronika Le:撰写——审阅与编辑。徐蓉:撰写——初稿、可视化。Mariam Shakeel:撰写——审阅与编辑、可视化、验证。Maria Abbasi:撰写——

资金支持

本工作得到国家自然科学基金(项目编号 22176013)和中央高校基本科研业务费专项资金(项目编号 2024CX06058)的支持。

利益冲突声明

? 作者声明他们没有任何已知的竞争经济利益或个人关系,这些可能影响本文所报告的工作。
徐蓉|Veronika Le|Maria Abbasi|Mariam Shakeel|马胜南|龚嘉乐|宛小亚|倪洁|刘芳|罗爱勤|黄天宇|耿丽娜
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号