无需标记！纸基微流控+机器学习实现水中细菌快速检测

研究背景

水传播疾病是全球公共卫生的重要威胁，尤其在资源匮乏地区，传统检测方法（如核酸扩增、免疫层析）依赖昂贵设备和专业人员，且需预先制备特定抗体或引物，限制了其现场应用。此外，现有技术常使用荧光标记或聚合物微粒，存在微塑料污染和操作复杂的问题。本研究旨在开发一种无需标记、低成本的细菌检测方法，通过群体感应（QS）分子直接诱导细菌聚集，结合纸基微流控芯片的毛细流动特性与机器学习算法，实现快速、精准的细菌分类。

研究原理

1. 群体感应（QS）与细菌聚集 

细菌通过分泌QS信号分子（如AHL或AIP）感知种群密度，调控群体行为（如生物膜形成、毒力因子分泌）。不同菌种的QS系统具有特异性，例如：

- 革兰氏阴性菌（如大肠杆菌）使用酰基高丝氨酸内酯（AHL）；

- 革兰氏阳性菌（如金黄色葡萄球菌）使用自诱导肽（AIP）。

添加外源QS分子可诱导细菌特异性聚集，改变其物理性质（如粘度、表面电荷），进而影响纸基芯片中的毛细流动速率（图1）。 

图1 实验装置与流动速率分析

2. 纸基微流控芯片与流动速率分析

研究采用多通道硝化纤维纸芯片（图1a），每个通道加载不同QS分子。细菌悬液与QS分子混合后，通过智能手机记录毛细流动视频（图1b），利用Python脚本提取流动距离随时间的变化数据。 

基于Lucas-Washburn方程，流动速率与细菌聚集程度成反比，聚集越多，流动越慢。通过收集全时间段的流动速率数据（而非单一时间点的流速），构建多维数据库（图1c）。

3. 机器学习分类 

采用XGBoost算法，针对不同细菌浓度（高；中；低）开发三套模型。算法通过分析各QS分子对流动速率的影响（图2），结合SHAP值（图3右）评估特征重要性，实现10种细菌的分类（包括7种革兰氏阴性菌和3种革兰氏阳性菌）。

图2 QS分子对流动速率的影响

研究亮点

1. 无需标记与复杂设备：仅需QS分子、纸芯片和智能手机，避免荧光标记、显微镜或聚合物微粒的使用，降低成本和环境负担。

2. 快速检测：毛细流动全程仅需数分钟，结合机器学习实时分析，显著提升效率。

3. 高准确性与适用性：

- 高浓度细菌分类准确率达75%（图3a）；

- 低浓度下通过优化模型（聚焦5种常见菌），准确率提升至75%（图3c）；

- 成功应用于实际水样，准确预测优势菌种（如大肠杆菌）

图3 机器学习的分类结果

效果及展望

此系统展现出了良好的性能，在分类性能上，能够在高浓度下，对10种细菌分类准确率75%（图3a）；中低浓度下，通过合并相近菌种（如弧菌与弯曲菌），准确率提升至80%（图3b）。在实际水样验证中，对两处湖泊水样检测，机器学习准确识别出优势菌种（大肠杆菌），与选择性培养结果一致（图4a）。 

图4 实际水样预测结果

后续可以进一步扩展QS分子库，比如引入AI-2、DSF等更多信号分子，提升分类特异性；还可以对机器学习模型进行优化，结合深度学习，处理复杂混合菌群数据；开发便携式分析装置，结合云平台实现实时监测；拓展至食品、医疗等领域，监测致病菌污染，实现跨学科应用。

原文链接：https://doi.org/10.1016/j.bios.2025.117563