目前，深度学习方法，尤其是深度神经网络，在处理和分析大量数据方面越来越受欢迎。这些网络作为灵活的函数逼近器，只需足够的训练数据即可识别数据中的模式。深度学习已广泛应用于生物图像分析，并用于模拟分子机制和动物行为的自动注释。研究者们采用深度学习分析电流-电压特性数据，并探索水凝胶在柔性电子、传感器和节能等领域的应用。水凝胶与液态金属结合，形成柔性仿生界面，帮助获取复杂生物系统的信息。在所有复杂的生物系统中，某些乳酸菌被认为对人体健康有益，能够治疗胃肠道疾病并增强免疫系统。细菌活力是评估益生菌功能的重要指标，活细菌需以足够数量进入胃肠道才能发挥作用。研究者开发了一种发酵乳制品，控制活菌数量至关重要，但现有计算活菌的方法存在局限性。膜透性荧光染料可用于鉴别活菌和死菌，但需要人工计数。深度学习方法在细菌图像处理中的应用可提高数据分析效率，并有潜力改善细菌监测技术。

基于此，俄罗斯圣彼得堡理工大学研究者提出了一种软水凝胶/共晶镓-铟合金界面的生物电化学平台对于促进对嗜热链球菌和凝固芽孢杆菌快速简便的生物检测。利用共晶镓铟合金（eGaIn）电极和水凝胶界面的I - V特性（图1）检测嗜热链球菌和凝固芽孢杆菌浓度在10⁴至10⁸ cfu/mL之间的细菌浓度。在外加电压的作用下，镓被氧化，细菌产生的乳酸与镓阳离子相互作用，形成的薄膜随后转移到含有过量镓铟合金的硅晶片上。此外，使用ORCA 4.2.1程序包对所有模型结构进行了量子化学计算和全几何优化。几何优化的收敛公差设定为能量变化5.000 × 10⁻⁶ Eh，最大梯度3.000 × 10⁻⁴ Eh/Å等。在所有情况下均使用Grid4和FinalGrid5规范，并未在几何优化过程中应用对称操作。对优化后的模型结构进行Hessian矩阵计算，以确认势能面上的正确最小值位置，并估计298.15 K和1.00 atm下的热力学参数。

图1 机器学习辅助电化学平台测定细菌浓度的方案与经典方法的比较

考虑到水（或其他液体）占细菌结构的12%，其数量的增加将影响悬浮液的电导率和介电常数。因此，任何含有细菌的悬浮液都可以通过循环伏安法分析其电化学行为。由于在电极-电解质界面上形成不同的氧化还原态，I-V曲线会产生不同信号。对所得数据的分析可能间接表明细菌的存在。为了生成氧化还原态的全谱，需要使用能够在特定电压范围内诱导多晶转变的电极材料，eGaIn合金就是一种合适的材料，由75%的镓和25%的铟组成。该合金因其低熔点、高导电性、无毒和低饱和蒸汽压而广泛应用于柔性电子产品。镓在空气中迅速钝化，形成一层薄薄的氧化膜，其电阻率高于纯金属。这种电化学方法相比平板计数具有明显优势，因为它更快捷且减少人为错误。

本研究中使用的电化学系统由水凝胶和两个eGaIn电极组成，水凝胶以0.01 M PBS为基础，并包含不同浓度的嗜热链球菌和凝固芽孢杆菌。在加入水凝胶前，细菌在MRS液体培养基中培养以保持活力。施加电位差时，镓被氧化，Ga(OH)₂阳离子开始扩散到水凝胶中。镓阳离子与细菌及其代谢物相互作用，形成可溶性的镓络合物。然而，氧化镓、乳酸和磷酸盐是不溶的，在电极表面形成了Ga(CH₃CH-(OH)COO)₃和Ga₂O₃薄膜。SEM图像证实了不溶性氧化乳酸层的形成，并显示了镓化合物固体薄膜与液态合金之间的对比。EDX光谱分析表明薄膜中碳和氧含量明显过剩，这证实了氧化物和乳酸盐的存在。

此外，通过量子化学计算评估镓阳离子与乳酸及磷酸二氢阴离子结合的热力学有利性，结果显示乳酸镓的形成比磷酸二氢镓更具热力学优势，反应的ΔG差约为39 kJ/mol，这也解释了EDX光谱中未检测到磷元素的原因。

图2 (a)电化学系统方案。(b)乳酸的初级代谢物由嗜热链球菌和凝固杆菌在凝胶结构中形成。(c)乳酸阴离子与eGaIn相互作用，在电极表面形成不溶性反应产物。(d) eGaIn电极表面形成的不溶膜的SEM图像（从上看）。(e)合金和薄膜表面的EDX光谱。

由于不溶层在体系中具有较高的电阻，乳酸镓层的电阻直接影响样品的I-V曲线。随着膜阻的增加，氧化镓和乳酸镓的溶解电位也随之增大。水凝胶中不同浓度细菌的存在改变了I-V曲线，镓阳离子与细菌的相互作用导致形成不同比例的乳酸和磷酸盐膜。这些膜的形成和分解过程决定了在0.02至5 V电位范围内I-V特征峰的形状。

机器学习方法能够有效解决多种生物和化学问题，特别是在优化代谢网络模型及其分析方面。本研究应用前馈深度神经网络模型（多层感知器）进行逻辑数据分析。模型训练采用误差反向传播算法，允许检测eGaIn/水凝胶界面上依赖于水凝胶组成的单个状态。数据库涵盖多个电压范围：−0.02至0.02 V、−0.1至0.1 V、−0.5至0.5 V、−1至1 V和−5至5 V。收集到的I-V特性对应于双电极系统/水凝胶界面，最终数据库包含6个数据点，包括PBS对照和5个浓度范围（10⁴至10⁸ cfu/mL），每个数据点包含12,000个均匀分布在五个描述符中的实验点。

图3 在−1 ~ 1v电压范围内，不同浓度的嗜热链球菌和凝固芽孢杆菌（0.01 M PBS pH 7.4）凝胶在400点/循环时的I - V特性曲线(a)无细菌凝胶的I - V曲线。(b)每毫升含有10⁴个细菌的凝胶的I - V曲线。(c)含10⁵个细菌/毫升凝胶的I - V曲线。(d)每毫升含有10⁶个细菌的凝胶的I - V曲线。(e)每毫升含有10⁷个细菌的凝胶的I - V曲线。(f)每毫升含10⁸个细菌的凝胶的I - V曲线。

将收集到的数据分成训练数据集（90%）和测试数据集（10%），以测试模型的准确性。从保存大量数据的角度来看，这个比例是最佳的，并且不需要在测试集中进行显着减少。多层感知器模型使用以下参数进行训练：学习率0.1，动量0.1，隐藏层数3，隐藏层节点数12（图4a）。分类误差（图4b）也表明在确定水凝胶组成时具有很高的准确性。测定准确度达94%

图4 (a)三隐层多层感知器方案。使用3个12节点的隐藏层来描述输入层的电流-电压数据与输出层的样本复合数据之间的关系。(b)预测误差图，坐标轴表示实际值和预测值，正确值用叉表示（C-控制）。

在6个案例中的5个案例中，训练的多层感知器模型以最高的概率获得了正确的结果（图5）。在确定细菌10⁴的浓度时出现了一定的困难（图5a）。从I - V曲线可以看出，10⁴的浓度与没有细菌的对照样品具有相似的外观。这种不确定性来自于对低浓度的磷酸盐阴离子、乳酸盐和其他化合物的多重反应。这伴随着微弱的有用信号的存在。这个缺点可以通过数据库的扩展来弥补。进一步向数据库中添加统计上显著的值将导致统计误差的减小。

图5 多层感知器模型对不同浓度嗜热链球菌和凝固芽胞杆菌样品的预测结果。(a)细菌浓度为10⁴ cfu/mL的样品图。(b)细菌浓度为10⁵ cfu/mL的样品图。(c)细菌浓度为10⁶ cfu/mL的样品图。(d)细菌浓度为10⁷ cfu/mL的样品图。(e)细菌浓度为10⁸ cfu/mL的样品图。(f)无菌样品图。

收集的数据库用于测定酸奶样品中嗜热链球菌和凝固芽孢杆菌的浓度，以评估将该方法应用于乳制品的潜力。在收集的数据库上训练的多层感知器模型以最高的概率给出了正确的结果（图6）。

图6 图中为酸奶样品化合物预测结果

本研究成功开发了一种软仿生监测装置，可以在15 min内检测到不同浓度的细菌，而传统的检测周期为3天。该装置可用于测定各种细菌的浓度。从本质上讲，我们的方法对于不同层次的微生物分析是必不可少的。主要优点是使用一次性收集的数据库和机器学习算法，避免了每次校准。多层感知器算法缩短了细菌检测时间，准确率最高，提高了预测的统计可靠性。所提出的可靠方法可用于解决各种复杂的生物学问题。提出的实验概念可进一步应用于小型化监测系统

论文链接：https://pubs.acs.org/doi/10.1021/acsami.1c22470.