|
|
前沿资讯 |用于痛风SERS-AI诊断的可穿戴智能汗液平台发表时间：2024-03-27 14:07 大家好!今天为大家分享一篇2024年一月发表在Lab on a Chip上的文章，题目为“Wearable intelligent sweat platform for SERS-AIdiagnosis of gout”。重庆大学物理学院黄映洲团队研究了一款采用人工智能算法在可穿戴汗液平台上对痛风进行SERS诊断的微流控平台。本文的通讯作者为重庆大学物理学院黄映洲. 研究背景 近年来，可实现舒适无创疾病诊断的可穿戴传感器受到越来越多的关注。由于汗液中含有大量可识别疾病的生物标志物，包括葡萄糖，尿素，尿酸（UA），和金属离子等，故可穿戴的汗液平台成为即时健康监测相关领域的重要一员。在这些生物标志物中，汗液中的尿酸是与痛风密切相关的典型分析物。目前的研究主要采用电化学（EC）技术进行汗液分析。EC传感器主要依靠酶和抗体作为生物识别元件，以实现汗液中代谢物和应激生物标志物的特异性定量，然而酶和抗体容易随着时间的推移而降解，且暴露在恶劣的环境和污染后会失去其功能。表面增强拉曼光谱（SERS）是一种在单分子水平上的超灵敏光谱分析技术，被广泛应用于生物医学、化学分析等领域。SERS信号的巨大增强主要是由于金属表面自由电子的集体振荡引起的高度受限的电磁场，这称为表面等离子体。得益于光谱中的拉曼峰特征，SERS作为一种高灵敏度的光学检测方式，在汗液分析和疾病诊断方面具有广泛的潜力。最近，研究人员利用银纳米脲和聚二甲基硅氧烷（PDMS）开发了柔性可穿戴的SERS基质来分析汗液中的微量药物。此外，据报道，纸张微流体和等离子体金纳米棒的结合可以量化汗液中的UA浓度。因此，可穿戴汗液平台上尿酸的SERS检测和监测可以克服人体汗液复杂成分的干扰，诊断痛风。然而，基于SERS光谱的人汗液中尿酸检测仍是相关研究的一大挑战。 近年来，人工智能（AI）算法被应用于SERS光谱分析，特别是在提高乳腺癌、前列腺癌、肺癌等疾病诊断准确性和效率方面。基于此，重庆大学物理学院黄映洲团队研究了一款采用人工智能算法在可穿戴汗液平台上对痛风进行SERS诊断的微流控平台。由银纳米线（AgNWs）涂层的纸流体作为该可穿戴平台的核心组件，结合螺旋通道和基于智能手机照片的图像识别技术，获取汗液的体积和pH值。数据表明该可穿戴平台可以以高灵敏度检测汗液中的分析物，并智能地量化汗液的体积和pH值。基于人工神经网络（ANN）算法，对复杂成分的模拟人体汗液中痛风的SERS识别准确率为97%。这种创新的可穿戴SERS平台提供了一种无创、高灵敏度的SERS检测方法，在护理点（PoC）的健康监测中显示出了极好的应用潜力。 图文导读 可穿戴式智能汗液平台的结构：图1为可穿戴智能汗液平台示意图，该平台由双面医用胶粘剂、底部PDMS层、AgNWs纸流体层和顶部封装PDMS层等多层组成。底部的PDMS层提供了结构支持，而顶部的封装PDMS层保护设备免受外部干扰，如水分和灰尘。得益于纸流体层上的AgNWs，通过SERS可以检测和监测人体汗液中的UA（图1）。无AgNWs和含AgNWs的滤纸的接触角分别为25.33°和22.97°，说明该纸的流体通道与AgNWs保持亲水性。因此，通过智能手机照片和图像识别技术，可以在这款可穿戴的AgNW增强型SERS平台上进一步提高汗液的体积和pH值。  图1 可穿戴式智能汗液平台的草图及检测过程。(a) SERS检测。(b)平台的各个层。(c)智能手机接口的量化体积和pH值。 可穿戴式智能排汗平台的SERS灵敏度：为了讨论这种可穿戴智能排汗平台的SERS性能，如图2a所示，NB（尼罗蓝）的SERS谱在10−7M被收集。由AgNWs在589cm − 1提供了良好的拉曼SERS增强峰，其增强因子（EF）为1.14×106。浓度为1×10−6M至1×10−12M尼罗蓝的SERS谱如图2b所示。实验结果表明，可穿戴智能汗液平台具有较高的SERS值敏感性为1 pM，在通过汗液诊断疾病方面有很大的优势。此外，NB的浓度与其特征拉曼峰的关系如图2c所示。为了了解这种可穿戴智能汗液平台的SERS巨大增强，基于有限微分时间（FDTD）方法模拟了AgNWs二聚体域的电场分布。在FDTD模型中，AgNWs的直径为10 nm，长度为10 μm，间隙距离为2 nm，如图2d所示，具有平行或垂直结构的纳米线二聚体中的间隙距离对电场增强具有较大影响。这意味着AgNWs之间的强表面等离子体耦合主导了SERS增强，模拟数据表明，入射光的偏振对图中所示的表面等离子体耦合增强有轻微的影响。与研究实验数据一致，表明密度更大的AgNW由于具有较小的间隙形成的二聚体产生了较大的SERS增强，说明该可穿戴式汗液平台中AgNWs是对微量物质SERS检测的可靠基质。  图2 （a）不同文献上的SERS光谱。（b）不同浓度NB的SERS谱图。（c）拉曼强度在589 cm−1处的线性拟合曲线。（d）AgNW二聚体的模拟电场分布。 合成汗液中尿酸（UA）的SERS光谱：为了根据人汗液中的UA诊断痛风，首先研究了合成汗液中UA的SERS谱。图3a显示了浓度为1×10−3M至1×10−7M的UA的SERS光谱，显示出可穿戴汗液平台的高SERS灵敏度。对得到的SERS光谱进行分析，以确定SERS平台对UA检测的检测限和灵敏度。UA的C-N拉伸振动是造成在496 cm−1处出现峰值的原因。这些峰与图中所示的UA粉末的测量结果一致。图3b显示了UA浓度与相应的SERS强度之间的关系，说明了该平台在合成汗液中SERS检测UA的特殊检测能力。由于人体汗液中复杂的成分，还研究了该可穿戴平台对SERS检测的选择性。为了评估UA检测对其他生物分子的特异性，将可穿戴的汗液平台暴露在各种潜在的干扰分子中，包括钠氯离子、葡萄糖、肌酐、尿素、酪氨酸、谷氨酸、赖氨酸和苯丙氨酸(图3c)。这些干扰分子的SERS光谱证实了在637 cm−1处没有一个UA拉曼特征峰。因此在汗液中的存在不会影响UA的准确性，UA的SERS光谱在10− 4 M不同环境环境中的也如图3所示。在637 cm− 1处有明显的特征拉曼峰。在不同pH值或pH指标合成汗液中收集的SERS光谱如图3d和e 所示，可穿戴平台中汗液pH值和UA的SERS检测是兼容的。图3f中的SERS光谱说明UA的检测不仅可以在汗液中进行，也可以在其他溶液中进行，如水和PBS。与最近对汗液中分析物的SERS检测工作相比，该可穿戴平台在具有复杂成分的人体汗液中的SERS检测方面具有良好的性能。  图3 （a） 不同浓度UA的SERS谱图。（b）SERS强度在637 cm−1时的多项式拟合曲线。（c）UA与其他分析物的SERS谱图。（d）不同pH值下汗液中UA的SERS谱图。（e）带有pH指示剂UA的SERS光谱。（f）UA在各种环境中的SERS光谱。 可穿戴智能汗液平台的拉伸性、灵活性、稳定性和应用：本文介绍了一种柔软、超薄的可穿戴汗液平台，采用柔软、可拉伸的双面粘合剂（300 μm厚）和PDMS（160 μm厚）封装而成。为可穿戴的流汗平台提供了灵活性和延展性。如图4（a-c）所示，可穿戴汗液平台固定在钳子尖端之间，通过施加压力实现不同的弯曲程度。此外，还收集了不同弯曲条件下的SERS光谱，如图4(d)所示。UA的SERS强度在不同弯曲条件下的变化为9-15%，说明可穿戴式汗液平台具有良好的柔韧性。在身体活动或日常运动中，人类的皮肤会经历拉伸、扭曲和变形。传感平台需要具有一定的可拉伸性，以保持信号的稳定性和准确性。评估可穿戴汗液平台的可拉伸性，可以评估其耐久性和可靠性，确保它在长期使用和不同的应变条件下保持完整和功能。图4（e-g）表示可穿戴汗液平台可承受的拉伸程度（10-30%），并收集了不同拉伸条件下的SERS光谱。为了研究重复性对可穿戴汗液平台的影响，本研究进行了10、30、50次重复拉伸和弯曲试验，共收集了180个SERS光谱进行分析。研究结果表明，不同的拉伸周期次数可能对SERS信号有轻微影响，不同的拉伸周期可能会影响可穿戴传感器的形态、分子结构和光学特性，从而导致SERS光谱的变化。为了展示该设备的实用性，研究评估了可穿戴汗液平台收集和分析的性能。如图4（i-j）所示，由于其柔软的力学性能，该设备可以很容易很舒适地佩戴在身体的任何地方，其灵活和可伸缩的设计可适应皮肤变形，没有发生分层脱离和限制身体自然运动等现象。研究收集了一个健康人类汗液的SERS光谱，在前臂和脖子上都戴上了这个装置，受试者在佩戴期间或设备被移除后没有出现任何皮肤刺激或不适。  图4 汗液平台的灵活性、拉伸性和稳定性示意图：（a）轻微扭曲，（b）过度扭曲，（c）完全扭曲。（d）在不同弯曲度下收集的UA的SERS光谱。汗液平台的照片：（e）在10%拉伸下，（f）在20%拉伸下，（g）和30%拉伸下。（h）在不同拉伸度下收集的UA的SERS光谱。汗液平台贴在人类受试者身上：（i）手臂和（j）颈部。（k） 从手臂和颈部收集的汗液的SERS谱。 排汗量和pH的确认：使用智能手机对收集到的汗液进行分析，以确定这项工作中的pH值和汗液量。随着pH值的增加，pH指标过渡到更深的蓝色阴影，pH值如图5a所示。图5b显示纸微流体通道响应不同的pH值。当pH值增加时，通道的颜色从pH值为3.8时的黄色变成绿色，然后变成蓝色。相应的色相值如图5b所示，Hue值随着pH值的增加而增加。螺旋纸作为一种有效的流体通道，用于通过毛细管作用输送汗液和捕获尿酸。图5a显示了1 μL和2.5 μL的合成汗液滴在可穿戴的汗液平台上，其中汗水的行程距离分别为34.81 mm和50.56 mm，通道宽度2mm。图5c示出了pH测试螺旋纸的结构参数，包括螺旋通道的角度。开发了一种Python代码来分析纸张微流控通道的颜色强度，并提取图像进行进一步分析。该代码旨在准确识别纸张微流控通道的颜色强度，并提供准确的pH值和汗液体积。此外该Python代码还可用来计算汗水的行程距离，以自动确定角度。图5d表示计算出的体积与汗液行程距离之间的关系。红线表示自动确认得到的结果，而绿线表示人工测量的结果。结果表明通过算法结合智能手机图像提取，自动确定汗液体积和pH值在该可穿戴智能汗液平台的应用中是可靠的，其认证过程和界面如图5e所示。  图 5：（a）可穿戴平台在人体皮肤上的照片。（b）从可穿戴平台提取的 Hue 值。（c）螺旋通道的结构参数。（d）汗量与行进距离的函数关系。（e）智能鉴定汗液的体积和pH值。 对痛风诊断的AI分析：采用人工智能算法分析从人体汗液中采集的SERS光谱来诊断痛风，其过程如图6 a所示。 这里的人体汗液样本是从健康人身上收集的。为了模拟痛风患者，其中一些样本加入不同浓度的UA。在这项工作中，研究了几种AI算法，包括PCA、PLS和ANN来分析人类汗液的SERS光谱。PCA是一种广泛应用的降维算法，通过创建一个最大数据方差的新坐标系，将高维数据集压缩到低维空间。它消除了噪声和冗余信息，提高了数据处理效率，降低了机器学习模型的复杂性，以减轻过拟合。然而，PCA假设了严格的数据分布，并可能导致在降维过程中的信息丢失。PCA可以降低大数据集的维数，但不能分析人体汗液的SERS谱，如图6b所示。对痛风的鉴定准确率为71%。本研究还利用PLS分析了人类汗液的SERS光谱。PLS是一种回归算法，通过分解协方差矩阵来构建一个描述输入变量和输出变量之间关系的模型。它有效地处理高维数据集，不假设具体数据分布，并解决多重共线性问题。然而，它可能表现出非线性问题的约束，需要参数调整。结果表明，PLS算法对模拟痛风的SERS光谱的识别能力较差，准确率仅为79%，如图6c所示。此外，本文还开发了一种优化的ANN神经网络算法来分析人类汗液的SERS光谱。人工神经网络模拟人脑神经元的连接来分类和预测输入数据。它擅长于解决非线性问题，跨不同的数据类型是通用的，并便于端到端模型训练，无需手动提取特征。图6d的结果表明，ANN人工神经网络算法在基于人体汗液SERS光谱的痛风识别方面优于传统的AI算法。此外数据表明，基于深度学习辅助SERS光谱收集的人体汗液的痛风识别准确性在性别上有明显的差异。图6e和f的研究结果表明，人工神经网络算法对不同性别的痛风患者的痛风识别准确率分别为93%、97%和88%。单一性别和混合性别之间的差异可能来自于男性和女性之间的汗液成分的差异。综合来看，结合人工智能算法和SERS光谱分析显示出良好的潜力。  图 6：（a） 人工智能分析过程。（b-d）二维 LDA、PLS 和 ANN 评分图。（例如）男性患者、女性患者和所有患者的预测性能。 总结 一种可穿戴和可视化的SERS平台能够灵敏地检测汗液中浓度低至0.1 μM的UA。此外，在智能手机照片的帮助下，可以基于图像识别技术智能地量化汗液的体积和pH值。为了诊断痛风，建立了三种基于汗液SERS光谱的AI算法。结果表明ANN神经网络算法对痛风的预测准确率较高，为97%。这项工作突出了SERS-AI在可穿戴智能汗液平台上的舒适和无创健康诊断的潜力，并探索了汗液分析应用的研究。 论文链接：DOI: 10.1039/d3lc01094e 原创：“扬清芯片” 前沿资讯 扬清芯片”前沿资讯“专题将于每周一为行业内相关从业者提供最新的行业资讯。往期精彩合集可在菜单栏"前沿资讯”查看。 欢迎将文章与公众号分享给更多关注微流控行业的朋友！ |
