《TrAC Trends in Analytical Chemistry》:Mechanistic Modeling of Flow-Transport-Reaction Coupling in Lateral Flow Assays: From Capillary Wicking to Physics-AI Hybrid Design
编辑推荐:
•系统综述了侧向层流检测(LFA)从毛细爬升至信号生成的机理建模方法。•比较了多孔介质中毛细传输的饱和流与非饱和流模型。•总结了包含流动、传输、反应及检测优化的多物理场CDR模型。•阐明了物理-人工智能混合策略,包括模拟数据驱动、机器学习辅助以及物理信息建模方法。•提出了面向
- •
系统综述了侧向层流检测(LFA)从毛细爬升至信号生成的机理建模方法。
- •
比较了多孔介质中毛细传输的饱和流与非饱和流模型。
- •
总结了包含流动、传输、反应及检测优化的多物理场CDR模型。
- •
阐明了物理-人工智能混合策略,包括模拟数据驱动、机器学习辅助以及物理信息建模方法。
- •
提出了面向机理引导式LFA开发的模型选择路线图。
引言
自20世纪末问世以来,侧向层流检测(LFA)凭借其成本低廉、检测快速、操作简便等优势,以及符合世界卫生组织ASSURED标准1, 2的特性,已成为应用最广泛的即时诊断平台之一。它已发展成为疾病诊断、食品安全和环境监测等领域最具代表性的即时检测技术之一3, 4, 5。近年来,识别元件、信号报告材料和读取策略的进步进一步推动了LFA向更高灵敏度、定量分析和多重检测方向发展。这些进展包括纳米材料标签、分子印迹聚合物等替代识别元件,以及光学或数字读取平台6, 7, 8, 9。
典型的LFA检测方法包括三明治法和竞争法10。其基本结构由样品垫、结合垫、硝酸纤维素(NC)膜和吸收垫组成。样品液在毛细力驱动下沿多孔材料迁移。尽管检测格式和检测策略不断进步,但LFA中的信号形成仍然依赖于毛细力驱动样品液通过多孔试纸条的迁移。在此过程中,流体流动、质量传输和反应动力学共同决定了分析物的传输、结合及最终信号的生成。
尽管LFA的检测结果是简单直观的终点信号,但其形成涉及强耦合的动态过程,包括多孔介质流动、溶质传输和生化反应11。此外,局部流速、有效扩散和结合动力学等关键变量难以通过实验直接获取。这种"可观测结果"与"不可观测过程"之间的不对称性使得LFA的开发严重依赖经验性的试错优化12,限制了结构参数、材料性质和试剂体系的系统化设计13。在此背景下,基于物理的机理建模逐渐成为理解LFA内部传输与反应动力学并指导设计优化的重要工具。
人工智能(AI)正被越来越多地引入LFA开发中14,但目前大多数研究仍集中在图像解读和终点信号定量方面15, 16。纯数据驱动方法在表征和物理诠释LFA中强耦合的流动-传输-反应过程方面仍存在局限。将机理模型的可解释性与机器学习(ML)的数据学习能力相结合,正逐渐成为LFA建模的重要方向。
现有LFA综述主要关注检测格式、传感材料、信号放大和读取策略,而缺乏对流动、质量传输和反应动力学机理建模框架及其与数据驱动方法整合的统一系统性概述。为弥补这一空白,本文根据模型复杂度和物理耦合程度,系统总结了LFA中流动模型、多物理场反应模型和机理-机器学习混合模型的发展(图1)。除了总结现有建模方法外,本文还进一步阐明了其基本假设、适用范围、局限性及相互关系,从而为来自生物、材料和工程背景的研究者提供模型选择和机理引导设计的实用指导。
章节摘要
LFA中的单物理场建模:流体流动与毛细爬升机理
作为LFA内部多物理场耦合过程的起点,多孔介质中毛细力驱动的样品液流动直接决定了分析物的传输时序、有效浓度分布以及后续生化反应可发生的时空窗口。
由于LFA的不同组分由具有不同润湿和传输特性的多孔材料构成,其流动行为受材料
LFA中的多物理场建模:流动、质量传输与反应的耦合
在通过单物理场建模建立流动与液体爬升的理论基础之后,本节将研究拓展至适用于实际检测场景的多物理场框架,重点阐述流动、质量传输与反应之间的时空耦合机理。除综述各种LFA建模策略外,本节还从实验参数化和
人工智能赋能的LFA机理建模
机理建模提供了一种可解释的数学框架,用于描述和求解LFA中的基础物理化学过程,包括多孔介质中的毛细力驱动流动和扩散以及表面结合动力学。然而,这些模型通常涉及耦合的非线性控制方程,导致计算成本高、人工数据处理量大且模拟时间长。机器学习具有强大的非线性函数逼近能力和快速的
结论
现有的LFA建模方法可以在不同复杂度水平上描述毛细流动、质量传输、反应动力学及其耦合过程。其应用已从机理阐释逐渐扩展至性能预测、参数优化和结构设计。本综述将饱和/非饱和流模型、CDR模型和混合建模方法整合于统一框架之下。该框架为来自生物、
CRediT作者贡献声明
张宇: 数据整理,形式化分析。 王伟营: 撰写——审阅与编辑,撰写——初稿,概念构思。 李一帆: 可视化,数据整理,概念构思。 曹朝阳: 撰写——审阅与编辑,数据整理,概念构思。 黄海涛: 撰写——审阅与编辑,概念构思。 文婷: 撰写——审阅与编辑,概念构思。 冯尚生: 撰写——审阅与编辑,监督,获取资金。 尤敏利: 撰写——审阅与编辑,
利益冲突声明
作者声明不存在已知的竞争性经济利益或个人
关系可能影响本文所报告的工作。
利益冲突声明
? 作者声明不存在已知的竞争性经济利益或个人关系可能影响本文所报告的工作。
致谢
作者感谢以下资助:国家自然科学基金重点国际联合研究项目(W2411086)、陕西省自然科学基础研究计划(No.2023-JC-YB-336)、陕西省重点研发计划(2023GXLH-033)、中央高校基本科研业务费(xtr052025009),以及深圳知界探索科技有限公司(合同编号202507168)。作者衷心感谢K.
王伟营 | 曹朝阳 | 李一帆 | 张宇 | 黄海涛 | 冯尚生 | 文婷 | 尤敏利