深度学习技术的可编程比色传感芯片提供了“端到端”分析策略

生物流体（如血液、尿液或汗液）中含有多种代谢组分且不同人体之间存在个体差异性，对快速便捷、准确高效的临床分析或健康评估提出了巨大挑战。与其他生物流体相比，汗液在无需刺穿皮肤的前提下，即可在人体表皮轻松收集，因而日益受到关注。然而，目前基于电化学阻抗谱、高效液相色谱的汗液生物标志物检测方法因需要专业的实验设备、复杂的样品前处理流程和训练有素的技术人员而受到限制。与上述方法相比，比色传感分析技术具有检测速度快、灵敏度高、耗材较少等优势而受到广泛关注。但是，目前所报道的大多数比色传感分析技术存在染料泄露、显色不均和化学扩散等缺陷。

近期，暨南大学李风煜教授课题组报道了一种深度学习技术辅助的可编程比色传感芯片，用于快速检测汗液中的多种生物标志物（葡萄糖、乳酸等）。相关成果以“Explainable Deep-Learning-Assisted Sweat Assessment via a Programmable Colorimetric Chip”为题发表在国际化学权威杂志Analytical Chemistry上。论文的第一作者为暨南大学化学与材料学院2020级研究生刘志浩，通讯作者为暨南大学化学与材料学院徐慧华副教授、孟建新教授和李风煜教授。

具体来看，研究人员设计了一种由海藻酸钠-氯化钙胶囊微球组成的可编程比色传感芯片，实现了对来自不同汗液的多种生物标志物的准确分类和量化分析。通过收集4600张比色响应图像作为数据集，研究人员比较了2种深度学习算法和7种机器学习算法。其中，隶属深度学习算法的卷积神经网络模型可对汗液中的多种生物标志物实现100％准确分类和量化分析。而深度学习辅助的比色传感芯片与传统分析方法对实际汗液的检测结果的匹配度为91.0%~99.7％。此外，将类激活映射机制用于可视化卷积神经网络模型的内部决策机制，有助于解释所设计的可编程比色传感芯片的合理性。

总体而言，该深度学习技术辅助的可编程比色传感芯片提供了一种“端到端”的分析策略，促进了实验软件设计和原理优化，为临床监测、疾病预防，科学发现提供了新的研究方向。

审核编辑：郭婷