守护复杂环境下的病原识别：当微流控遇上人工智能

一、设计原理：让细菌“现形”的双重身份识别术

病原微生物广泛存在于水体、食品以及人体样本中，是引发食品安全事件和公共卫生风险的重要因素。然而，在真实环境中，不同细菌往往混杂存在，且受到复杂基质干扰，导致传统培养检测耗时较长，而单纯依赖分子检测又容易受到背景噪声影响。

近年来，表面增强拉曼光谱（SERS）技术因能够提供微生物独特的分子“指纹信息”而受到广泛关注。但问题在于，不同细菌之间的光谱特征有时非常相似，仅依靠光谱信息仍然难以实现精准区分。

为解决这一难题，研究提出了一种全新的多模态识别思路：首先利用微流控芯片根据细菌尺寸差异进行物理分离，再利用SERS技术获取细菌的分子指纹信息，最后通过深度学习模型将两类信息融合分析，从而实现更加准确的病原识别。这种策略相当于同时利用细菌的“体型特征”和“身份指纹”进行双重验证，大幅提升了复杂样品中的识别能力。

二、构建兼具捕获与增强功能的纳米探针

为了实现病原体的高效富集和高质量信号采集，研究人员首先设计了一种Fe@PCN-Au核壳复合纳米颗粒（图1）。该材料以磁性Fe₃O₄作为核心，在外层包覆超薄PCN-224壳层，并均匀负载金纳米颗粒，形成兼具磁分离能力和SERS增强能力的核壳结构（图1）。材料平均直径约 28 nm，壳层厚度约 2 nm，同时具有良好的磁响应性能和丰富的表面活性位点。元素分布分析显示，Fe元素集中于核心区域，而Zr和Au元素均匀分布在外层壳体中（图1）。这种结构设计使材料既能够快速捕获病原体，又能够显著增强拉曼信号，为后续检测奠定基础。

图1 Fe@PCN-Au复合纳米材料的构建与理化性质表征

三、利用微流控芯片实现细菌尺寸分离

研究进一步开发了双区段惯性微流控芯片。芯片前端带有周期性凹槽的螺旋混合通道，通过增强Dean涡流促进细菌与Fe@PCN-Au颗粒充分接触；后端利用惯性聚焦效应，根据细胞尺寸差异实现自动分级分离（图 2）。实验结果表明，在优化条件下，颗粒回收率可达到95%以上。不同细菌会因尺寸差异而分布到不同出口通道，大细胞靠内壁，小细胞靠外侧（图 2）

图2 双区段惯性微流控芯片的分离原理及性能验证

四、建立病原体的分子“指纹库”

完成尺寸分离后，研究利用SERS技术采集病原体的拉曼光谱信息（图3）。以酵母菌、金黄色葡萄球菌和大肠杆菌为代表菌株进行验证时，平台最低可检测浓度达到1×10¹ CFU/mL，显示出优异的灵敏度（图3）。进一步分析发现，不同病原体具有各自特征性的拉曼峰分布模式，能够反映细胞内蛋白质、脂质及核酸组成差异。多个特征峰与细菌浓度之间呈现良好的线性关系，相关系数均超过0.899（图3）。同时，在微流控通道不同位置采集到的SERS信号高度一致，说明检测区域内信号均匀、稳定，保证了高质量输入数据。

图3 病原微生物的SERS指纹特征及检测性能验证

五、人工智能如何读懂细菌身份？

研究开发了RaSizeNet多模态深度学习模型，同时接收SERS光谱数据和微流控分离获得的出口分布信息。模型通过双分支结构分别提取分子特征和尺寸特征，并利用创新性的“尺寸引导交叉注意力机制”进行融合分析。九种病原体分类任务中，RaSizeNet整体识别准确率达到96.22%，显著优于SERSNet（82.23%）和MultiNet（92.81%）模型。即使面对同属细菌间高度相似光谱，分类准确率仍可达约95%。

图4 RaSizeNet多模态深度学习模型构建及病原分类性能评估

六、在真实复杂环境中表现如何？

在自来水、牛奶、污水、血液、尿液和唾液等复杂样品中，RaSizeNet的识别准确率均超过90%。当细菌浓度降低至1×10¹ CFU/mL时，模型仍能保持91.9%的准确率；即使在高浓度混合菌群条件下，准确率仍达到87.1%以上（图5）。Fe@PCN-Au材料经过20轮连续检测后仍保持稳定性能，仅出现轻微信号衰减，显示出良好的重复使用能力和长期稳定性。

图5 多模态病原识别模型在复杂环境中的泛化能力与检测稳定性评估

结论

该研究构建了一套集病原捕获、尺寸分离、分子检测和智能识别于一体的多模态检测平台。最大创新在于首次将病原体物理尺寸信息与分子指纹信息进行深度融合，并通过尺寸引导交叉注意力机制显著提升分类性能，为智能病原检测提供新技术路线。然而，该平台目前主要基于实验室样本验证，对临床样本、长期现场运行及跨区域泛化能力仍需进一步研究。未来，随着便携式设备、小型化微流控系统和人工智能算法的发展，该技术有望应用于食品安全监管、环境监测和即时诊断，为智慧公共卫生体系建设提供支持

原文链接：https://doi.org/10.1016/j.jhazmat.2026.141491