一种简化海洋微塑料采样和识别过程的新方法

微塑料污染已成为全球关注的问题，据估计，海洋上层约有24.4万亿个微塑料碎片，这突显了这种污染物在海洋环境中的广泛存在。随着时间的推移，微塑料污染对海洋生物群的累积影响已导致严重的健康威胁，并对整个生态系统构成极大风险。有效的采样、准确的识别和可靠的微塑料化学表征对于了解其环境和生物影响至关重要。然而，由于环境微塑料的复杂性质，包括其不同的大小、形状、降解阶段、聚集和相关生物膜的存在等因素，仍然缺乏系统的方法。

微流控技术具有成本低、反应快、通量高、适用性强等优点，已成为当今颗粒分选和分离的强大工具。最近的研究表明，微流控的这种优势已扩展到微塑料研究方面。

目前，将光谱（拉曼光谱和FTIR光谱）与参考光谱相匹配被广泛认为是识别微塑料的金标准方法。然而，这种方法的准确性和效率会受到一些因素的阻碍。例如，由于缺乏针对不同环境样本的综合参考数据库，对样本的识别提出了挑战，而且识别过程本身往往是劳动密集型的，而且依赖于专家的判断。

当下，由于机器学习（ML）技术的快速发展，研究人员可以根据定制化的数据集提高模型的识别性能，并在发现新样本时无需人工辅助即可做出适当的判断。这些技术不仅能够实现强大的特征提取和分类，而且具有很高的准确性、灵活性和适用性。

据麦姆斯咨询报道，近期，美国罗德岛大学（University of Rhode Island）的研究人员提出了一种简化海洋微塑料采样和识别过程的新方法。该方法集成了微流控、拉曼光谱和机器学习技术的优点，旨在提高海洋环境中微塑料分析的效率和准确性（图1）。相关研究成果以“A microfluidic approach for label-free identification of small-sized microplastics in seawater”为题发表在Scientific Reports期刊上。

图1 海洋微塑料识别流程示意图

具体而言，研究人员通过将实验室收集的样本与公开可用的数据集相结合，构建了一个全面的训练数据集。此外，该研究进行了非常系统的验证，以评估和比较四种机器学习模型（支持向量机（SVM）模型、随机森林（RF）模型、卷积神经网络（CNN）和ResNet34架构）的微塑料识别性能。研究结果表明，CNN模型要优于其它模型，其平均分类准确率为93%。

图2 描述四种机器学习模型在测试数据集上的分类准确性的混淆矩阵

此外，为了证明微流控装置在捕获和识别微塑料方面的有效性，该研究引入了一种具有筛状结构的聚二甲基硅氧烷（PDMS）装置，专门用于捕获小尺寸颗粒。在一个概念验证实验中，所有被捕获的原始粒子都被准确地识别出来。此外，该研究利用从当地海滩收集的样本，成功验证了该微流控装置在现场采样和识别方面的实用性。

图3 在微流控装置中捕获荧光聚乙烯（PE）颗粒以及常规聚乙烯（PE）和聚苯乙烯（PS）颗粒

图4 海水中被捕获的颗粒

综上所述，该研究构建了一种有前途的微流控装置，专门设计用于微塑料的高效捕获和识别。该研究所提出的捕获方法在减少交叉污染和减少人工依赖方面具有很大的潜力。该微流控装置不仅可以实现对原始微塑料颗粒的有效捕获（虽然只能实现少量捕获），同时还具有尺寸筛选能力。此外，相关实验检测已经成功地证明了该微流控装置在真实海水中具有有效捕获环境微塑料颗粒的能力。这些积极的试验结果为该微流控装置在现实世界中的实用性和有效性提供了令人鼓舞的证据。然而，重要的是要承认，仍有一些问题需要解决，以进一步提高该微流控装置的性能。例如，增强该系统可拓展性的一种方法是实现并行化并串联多个微流控装置。这种方法可以提高捕获过程的总体通量和效率。此外，虽然目前的粒子捕获方法依赖于低流速下的流体动力，但将其它主动驱动的方法与芯片集成有可能进一步提高其通量。此外，手持式拉曼光谱与先进的机器学习识别系统的集成在微塑料的连续现场监测应用方面具有巨大的潜力。

另外，为了便于采用这一系统进行长期环境监测，成本效益成为一个至关重要的考虑因素。降低制造微流控装置成本的一种可行方法是直接使用3D打印技术来制造微流控装置本身。这种方法消除了对模具的需求，并简化了制造过程，从而降低了成本。然而，3D打印微流控装置所使用的材料是很重要的。鉴于该研究聚焦于微塑料的分析，有必要考虑在制造过程中引入额外塑料颗粒的潜在风险。仔细选择适当的3D打印材料，尽量减少微塑料的释放，以确保分析的完整性，避免引入不必要的污染物是必要的。

同时，由于环境颗粒的形状、大小和独特特性的差异，将这些因素纳入考量以获得最佳性能至关重要。然而，捕获和识别环境纳米塑料面临着重大挑战。将该系统与其它主动驱动方法相结合可以提供更有效的方法，特别是对于纳米塑料。通过将这种微流控装置的功能与用于纳米塑料分析的主动驱动方法相结合，可以在未来的研究中实现环境样品中纳米塑料的全面表征。

此外，扩展拉曼光谱数据库以包括更广泛的可风化聚合物，并将其它材料的拉曼光谱纳入训练数据集中是必不可少的。这种扩展将增强机器学习模型识别各种类型环境颗粒的能力，并降低假阳性率。同时，该扩展还为评估不同机器学习算法的优缺点提供了可能，从而能够全面分析和选择最适合的模型，以进行准确可靠的预测。最后，通过利用数据分割技术并进行深入的成像分析，可以更深入地了解有关颗粒及其相互关联的环境背景的有价值的见解。总的来说，这些知识将有助于更全面地了解环境颗粒的来源、发展和传播，从而能够实施有针对性的干预措施和缓解战略。

审核编辑：刘清