社区所有版块导航
Python
python开源   Django   Python   DjangoApp   pycharm  
DATA
docker   Elasticsearch  
aigc
aigc   chatgpt  
WEB开发
linux   MongoDB   Redis   DATABASE   NGINX   其他Web框架   web工具   zookeeper   tornado   NoSql   Bootstrap   js   peewee   Git   bottle   IE   MQ   Jquery  
机器学习
机器学习算法  
Python88.com
反馈   公告   社区推广  
产品
短视频  
印度
印度  
Py学习  »  机器学习算法

江苏师范大学JACS:柔性微流控表面增强拉曼散射器件结合可解释机器学习用于代谢疲劳监测

BioMed科技 • 2 月前 • 193 次点击  

背景介绍代谢疲劳是全身稳态的根本性紊乱,其特征是能量底物耗竭和代谢物积累的复杂生理失调,而不仅仅是主观的疲惫感。在长时间体力消耗中,若不能有效管理这种平衡,可能引发急性生理损伤,从耐力下降到过度运动诱导的横纹肌溶解和心血管应激。因此,持续预测和监测代谢疲劳是精准运动医学的基石。然而,有效评估目前仍难以实现。主观心理测量工具如自感用力评分(RPE)虽能评估心理反应,但缺乏量化 underlying 代谢谱所需的客观化学数据。临床方法主要依赖有创血液检测,虽能提供直接定量信息,但有创且不连续,无法满足捕捉快速代谢波动所需的高频监测。此外,传统依赖通用浓度阈值(如4 mmol/L血乳酸积累起始点)通常忽略个体间显著基线差异,无法提供个性化风险评估。关键在于,代谢疲劳表现为复杂的多通路生理级联反应,单独监测乳酸不足以捕捉全身稳态紊乱的全貌。汗液作为一种非侵入性替代物,富含电解质、代谢物和小分子,可动态反映血液生物标志物浓度,并可通过离子导入(IP)按需采集。然而,现有可穿戴传感器多依赖电化学或比色检测,分子特异性有限且易受环境干扰,难以在复杂生物流体中同时准确量化多种分析物。表面增强拉曼散射(SERS)光谱通过局域等离激元增强激发和散射,可实现单分子灵敏度和指纹级特异性,但大多数SERS基底刚性且与皮肤变形不兼容,导致运动伪影和信号不稳定;更关键的是,缺乏精确流体处理,汗液分泌速率固有变化以及新生汗液与皮肤表面残留液混合导致信号平均化,使实时代谢变化的准确检测复杂化。因此,亟需一种将高性能等离激元纳米结构集成到柔性基底上,并具备精确汗液采样和分区微流控架构的平台。

研究思路针对上述挑战,江苏师范大学渠陆陆教授、郭育新教授、南京工业大学董晓臣教授提出了一种完全集成的可穿戴SERS平台,将计时微流控与可解释机器学习相结合,用于解码汗液生物化学以实现精准疲劳评估。该平台集成了采用毛细管爆破阀(CBVs)的微流控界面,可顺序引导并将新分泌的汗液分隔到离散腔室中。这种物理分隔有效消除了传统传感器固有的样本污染,实现了汗液中乳酸、葡萄糖、尿素和pH的高保真、时间分辨定量。通过将多重代谢谱与机器学习框架耦合,该平台实现了疲劳状态的准确分类,SHAP分析识别出乳酸积累和葡萄糖耗竭的协同作用作为主导预测特征。相关内容以 Flexible Microfluidic Surface-Enhanced Raman Scattering Devices Integrated with Interpretable Machine Learning for Metabolic Fatigue Monitoring 发表在 Journal of the American Chemical Society!

图片解析

图1. 可穿戴微流控SERS平台用于多模态汗液分析和疲劳监测的系统概述:(a) 可穿戴微流控SERS平台方案,可穿戴SERS器件收集汗液,便携式拉曼光谱仪获取光谱数据并传输至智能手机进行实时可视化;(b) 可穿戴SERS器件的爆炸图,包括盖片、SERS基底、微流控通道、电极、载药水凝胶和粘附层;(c) 可穿戴SERS器件的光学照片,包括手指夹持的柔性器件、安装在上臂的俯视图以及镊子掀起边缘的特写;(d) 关键功能组件:模块A为按需汗液诱导的IP模块,模块B为顺序路由和分隔汗液的微流控网络,模块C为用于生物标志物检测的双层Au NP SERS基底;(e) 目标汗液生物标志物的生理意义,将乳酸(无氧糖酵解)、葡萄糖(能量可用性)、尿素(蛋白质分解代谢)和pH(H⁺积累和HCO₃⁻缓冲)的动态波动与运动代谢相关联;(f) 用于疲劳预测和可解释性的机器学习框架,工作流程整合汗液生物标志物与生理标签训练分类器进行二分类疲劳评估(疲劳 vs 非疲劳),桑基图可视化机器学习模型的决策流程,连接带宽度与每种生理生物标志物对疲劳分类输出的贡献权重成正比。

图2. SERS基底和水凝胶的制备与表征:(a) 不同直径Au NPs的UV-vis吸收光谱;(b,c) 不同尺寸Au NPs组装单层膜上R6G的SERS光谱(b)和相应统计结果(c),n=3;(d) 单层、双层和三层120 nm Au NP阵列的截面SEM图像(上)和相应COMSOL电场分布模拟(下);(e) 单层、双层和三层Au NP膜上R6G(10⁻⁶ M)在1360 cm⁻¹处的SERS强度;(f) SERS基底(双层Au NP膜)30个随机位点R6G拉曼信号的重复性评估;(g) 不同制备批次(n=5批)双层Au NP膜上R6G SERS强度的重现性;(h) 弯曲和扭转测量下R6G的SERS强度;(i) IP界面表征:光学照片(左上)、显示多孔水凝胶结构的SEM图像(左下)和EDS元素映射(右);(j) IP处理后使用商业角质计验证人体皮肤表面汗液诱导,n=3技术重复。统计显著性通过单因素方差分析(ANOVA)确定(ns,不显著,P>0.05;****P<0.0001)。

图3. SERS传感器用于多重生物标志物检测的工作原理和传感性能:(a-d) pH检测:(a) 基于4-MBA质子化/去质子化的pH传感机制示意图;(b) 不同pH值下4-MBA的SERS光谱(a-i:8.3、7.8、7.1、6.5、6.1、5.6、4.9、4.2、3.7);(c) 显示拉曼峰强度比与pH值关系的校准曲线;(d) pH传感对各种干扰离子和代谢物的选择性(pH=6.5);(e-h) 葡萄糖检测:(e) 涉及GOx催化H₂O₂生成及随后4-MPBA氧化的葡萄糖检测机制示意图;(f) 响应递增葡萄糖浓度的SERS光谱;(g) SERS强度比(I₃₈₉/I₄₁₇)对葡萄糖浓度的校准曲线(a-i:5000、1000、500、200、100、50、10、1和0.5 μM);(h) 葡萄糖传感器对汗液中潜在干扰物的选择性;(i-l) 乳酸检测:(i) 使用LOx和4-MPBA的乳酸传感机制示意图;(j) 乳酸传感器监测不同浓度乳酸的SERS光谱;(k) 拉曼信号与乳酸浓度的线性关系(a-e:50、20、10、5和1 mM);(l) 乳酸传感器对汗液中潜在干扰物的选择性;(m-p) 尿素检测:(m) 通过直接分子捕获检测尿素的示意图;(n) 随尿素浓度增加的SERS光谱演变;(o) SERS强度对尿素浓度的校准曲线(a-f:300、100、50、30、10和1 mM);(p) 尿素传感器对汗液中潜在干扰物的选择性。所有干扰物浓度为0.1 wt%。统计显著性通过单因素方差分析(ANOVA)确定(ns,不显著)。

图4. 微流控液体处理、操作安全和采样一致性的表征:(a) 由CBVs实现的四阶段顺序填充过程示意图;(b) 三个CBVs的微观结构方案和SEM图像;(c) 使用蓝色染料溶液演示顺序流体路由的延时光学图像;(d) 抗交叉污染验证:流体隔离测试的示意图和SERS强度监测,包括(i) 腔室首先填充R6G(粉色),(ii) 随后在主通道中连续流动超纯水(蓝色);(e,f) 热安全评估:(e) IP刺激期间皮肤上器件的红外热图像;(f) IP过程中皮肤界面和器件的实时温度曲线;(g) 采样一致性:(i) 在体运动试验示意图;(ii-iv) 三个不同微流控收集臂检测的pH(ii)、葡萄糖(iii)、乳酸(iv)和尿素(v)水平比较(Arm#1:右上臂;Arm#2:右前臂;Arm#3:左上臂),n=3。统计显著性通过普通单因素方差分析(ANOVA)分析(ns,不显著)。

图5. 可穿戴SERS平台在不同生理状态下动态汗液分析的评估:(a) 运动期间志愿者手臂上佩戴可穿戴SERS器件的照片(左)和使用便携式拉曼分析仪测量拉曼光谱(右);(b) 双核系统架构框图:FPGA模块处理光学单元的高速时序生成和电源控制,ARM核心板执行系统控制、边缘计算算法和数据处理,然后通过蓝牙无线传输;(c) 45分钟恒定负荷骑行运动中“健康”与“不健康”受试者之间的比较生理分析:(i) 汗液pH、葡萄糖、乳酸和尿素的代表性动态浓度曲线(n=3技术重复);(ii) 在5和35分钟时“健康”(n=6)和“不健康”(n=6)组生物标志物水平的统计比较;(d) 运动期间5和35分钟时男性(n=6)和女性(n=6)受试者生物标志物水平比较;(e) 受试者在空腹(F,n=6)和餐后(P,n=6)状态下汗液生物标志物水平比较。数据以箱线图呈现,叠加个体数据点(中心线,中位数;箱限,上下四分位数;须,最小到最大)。统计显著性通过双因素方差分析继以Sidak事后检验(c-ii和d)和t检验(e)确定(ns,不显著;P<0.05,P<0.01,P<0.001,****P<0.0001)。

图6. 汗液生物标志物数据用于疲劳预测的机器学习分析:(a) 数据收集和机器学习逻辑示意图,左侧描绘疲劳的生物学因素,包括肌肉生理、细胞能量状态(线粒体ATP产生)和循环效率(葡萄糖和乳酸的代谢通量),来自可穿戴SERS平台的汗液生物标志物(特征)和金标准指标(标签)用于训练疲劳预测机器学习模型;(b) 机器学习工作流程示意图,包括数据缩放、GA稳定性循环用于最优特征选择,并训练“全特征”模型和“GA最优”模型进行比较;(c) GA迭代的特征选择频率结果;(d) 独立测试集上GA最优和全特征模型的ROC曲线比较;(e) 测试集上全特征模型的混淆矩阵;(f) SHAP汇总图说明全特征模型对训练实例疲劳预测的全局特征重要性;(g) 热图显示训练实例疲劳预测的相对SHAP特征贡献;(h-j) SHAP依赖图显示特征相关性和交互作用:(h) 葡萄糖浓度对SHAP值,按乳酸着色;(i) 乳酸浓度对SHAP值,按pH着色;(j) 葡萄糖浓度对SHAP值,按尿素着色。

结论该研究报道了一种完全集成的传感器,弥合了原始生化监测与可操作生理洞察之间的差距。通过协同计时微流控、多重SERS传感和可解释机器学习,该平台解决了当前可穿戴技术的一个关键挑战:将复杂的动态汗液谱转化为对身体疲惫的精确评估。准确的疲劳预测根本上依赖于输入数据的时间保真度。传统芯吸式传感器的主要局限性在于新生汗液和残留汗液的混合,平均了快速代谢波动。该平台通过采用CBVs驱动的计时微流控架构克服了这一点。通过将汗液物理分隔到顺序填充的腔室中,器件确保每次测量代表一个离散的未污染时间窗口。这种时间隔离在生理上至关重要;疲劳发作通常以急剧的瞬态代谢变化为标志,如厌氧阈值处乳酸的突然积累。通过无交叉污染地捕获这些动态通量,该器件为精确疲劳建模提供了所需的高质量、时间分辨数据基础。双层Au NP基SERS基底确保了输入预测模型的生化数据的特异性。与易受信号漂移和复杂生物流体干扰的电化学传感器不同,SERS方法利用分子指纹同时定量葡萄糖、乳酸、尿素和pH。这些测量的可靠性通过人体试验中观察到的不同代谢表型得到验证。“健康”受试者延迟的乳酸积累和稳定的pH,与“不健康”个体快速的糖酵解转变形成对比,与既定运动生理学完全一致,证实传感器捕获的是真实代谢状态而非伪影。最重要的是,该研究超越了被动“数据收集”的传统范式,通过集成可解释机器学习框架主动预测疲劳。疲劳是一个多方面的状态,无法通过单一生物标志物稳健定义。该多变量模型通过综合四个相互依赖变量的信息实现了令人满意的预测准确度(AUC>0.97)。除准确分类外,该工作通过可解释AI揭示了代谢特征的分层重要性。分析明确指出无氧应激(乳酸)和能量可用性(葡萄糖)是主导疲劳指标。这种可解释性对于用户信任至关重要;它表明AI是基于有效的生理信号做出决策,为其在专业运动训练和临床监测中的应用铺平了道路。尽管结果令人鼓舞,但仍需进一步研究若干局限性。当前微流控容量针对典型锻炼时长(约35分钟)优化,监测超耐力赛事需要更高密度通道设计或主动微流控管理。此外,虽然模型展示了稳健的内部效度(n=60数据集),但需要更大规模的多中心试验以增强其在不同人群和环境条件下的普适性。未来迭代还将探索集成额外应激标志物,如皮质醇和电解质,以提供全身疲劳的更全面视图。总之,该工作提出了从简单生化追踪到预测性代谢分析的范式转变。通过计时采样确保高保真数据,并通过可解释AI解码,该平台为非侵入性疲劳管理建立了稳健路径,为优化人类性能和防止过度劳累提供了变革性潜力。

「BioMed科技」关注生物医药×化学材料交叉前沿研究进展!交流、合作,请添加杨主编微信!
来源:BioMed科技
声明:仅代表作者个人观点,作者水平有限,如有不科学之处,请在下方留言指正!

Python社区是高质量的Python/Django开发社区
本文地址:http://www.python88.com/topic/201058