Nature：石墨烯传感器结合机器学习用于化学物质分析

点击蓝字关注我们

化学传感器可以收集与液体物质化学成分相关的信息并将其转换成电信号，在环境监测、医疗诊断和工业过程控制中发挥着至关重要的作用。在化学传感器中，离子敏感场效应晶体管 (ISFET) 已成为一种很有前途的技术，因为它们具有出色的灵敏度和高度可扩展的设计。1970年，Bergveld 首次通过使用硅基 ISFET测量溶液中Na⁺离子的浓度展示了ISFET的操作。石墨烯由于具有大的表面积与体积比、化学惰性的基面、极高的载流子迁移率，是一种优秀的 ISFET 通道材料。然而，ISFET的可靠性受到制造工艺、材料特性、环境条件和设计因素等非理想因素的影响，限制了其在商业应用中的广泛采用。

有鉴于此，宾夕法尼亚州立大学Saptarshi Das教授团队报道了结合机器学习算法的优势，利用ISFET传感器产生的大量数据集来构建预测模型，用于分类和量化任务。这种整合也为ISFETs的工作提供了新的思路，而不仅仅是从人类专业知识中能获得。此外，它还减轻了与周期间、传感器间和芯片间变化相关的实际挑战，为 ISFET 在商业应用中的更广泛应用铺平了道路。具体来说，使用非功能化石墨烯ISFET阵列生成的数据来训练人工神经网络，该网络具有出色的识别食品造假、食品腐败和食品安全问题的能力。作者预计，紧凑、节能、可重复使用的石墨烯 ISFET 技术与强大的机器学习算法的融合，有可能彻底改变对细微化学和环境变化的检测，提供适用于广泛应用的快速、数据驱动的洞察。

2024年10月9日，相关工作以“Robust chemical analysis with graphene chemosensors and machine learning”发表在Nature上。

利用人源FOMs监测pH

石墨烯基离子敏感场效应晶体管（ISFETs）对液体溶液的pH值具有良好的灵敏度。然而，许多非理想因素（如循环间、传感器间和芯片间的变异）影响ISFET的响应性。图1展示了石墨烯基ISFET的示意图及其在不同pH缓冲液中的传输特性，强调了电双层在调节石墨烯通道导电性方面的作用。由于常用的Dirac电压（VDirac）作为pH灵敏度的评估指标在存在非理想因素时会显著偏离真实pH值。因此，需要识别具有高pH灵敏度且对非理想因素变化不敏感的FOMs。该研究同时考虑多个FOMs，利用k近邻算法评估各FOM的重要性，通过人工神经网络（ANN）来训练和测试非功能化石墨烯ISFET数据集，减轻非理想因素的影响，体现了石墨烯基ISFETs在多FOMs 监测中的潜力。

图1. 石墨烯ISFETs的pH响应特性

使用人工神经网络来理解pH敏感性

神经网络在识别pH响应性时首先提取自ISFET传输特性的FOM，然后输入整个ISFET传输特性让模型自行确定机器生成的特征。通过SHAP（SHapley Additive exPlanations）特征分析来评估训练后的ANN模型的特征空间，与提取的FOMs重要性区域进行比较。ANN以一维卷积神经网络作为特征提取器，后接三层全连接层，旨在将输入数据分类为七个pH值类别。使用FOMs作为训练输入时，模型平均准确率为91.64%，而直接基于ISFET特性训练的平均准确率达到了97.09%。此外，该模型在三种不同训练场景表现良好，表明模型在一个芯片上训练后可以有效应用于后续制造的芯片，避免了模型重新校准及训练。

图2. 使用ANN了解pH敏感性

食品掺假物的定量

基于机器学习的石墨烯ISFETs将应用范围从pH传感拓展至食品掺杂物的检测和定量分析。该研究首先测试了六个石墨烯ISFETs在未掺杂牛奶及不同掺杂比例（5%、10%、20%、30%）下的传输特性，结果显示高分类准确度，通过SHAP特征分析能够区分不同掺杂比例。继续增加样本集数目，模型采用两层全连接ANN提取特征，并通过余弦相似度计算相似性，在复杂测试集（约46,000个样本）预测上表现良好。

图3. 掺杂牛奶的分类与定量分析

食品认证与安全

该研究将ANN在石墨烯ISFETs数据训练下的模型用于食品真伪鉴别，对不同软饮料、咖啡混合物和牛奶分类准确率较高。SHAP值分析进一步揭示了每个产品类别的特征，通过k-NN算法提取的FOMs显示，不同产品类别的最佳FOM组合有所不同，证明了ISFETs可提供多参数预测的重要性。该研究还展示了食品安全应用，石墨烯ISFETs可成功检测水中浓度低至2.5 ppb的六氟乙酸（PFHxA），证明了其在解决食品行业中各类挑战的重大潜力。

图4. 机器学习辅助石墨烯ISFETs的食品鉴别

食物新鲜度监测

该研究展示了机器学习辅助ISFETs如何评估食品鲜度。该工作对四种果汁（橙子、菠萝、葡萄和西瓜）在四天内的新鲜度和种类进行检测，其采用14个ISFET的传输特性对果汁进行测量，设计了一个多输出ANN模型，高效提取输入特征，同时进行果汁种类和新鲜度的分类。该模型使用共享的一维卷积神经网络作为特征提取器，后接各自的全连接层。经过训练，模型在果汁种类和新鲜度分类任务中的最终准确率达97.67%。尽管每种果汁由多种化学成分组成，其降解过程复杂，机器学习算法仍能根据石墨烯ISFET阵列收集的传感器数据进行分类，无需了解其成分或老化机制。

图5. 机器学习辅助石墨烯ISFETs的食品新鲜度监别

总之，这项研究强调了将机器学习算法与石墨烯ISFET相结合在化学传感应用中的变革潜力。使用非功能化石墨烯ISFET阵列生成的数据训练的ANN已表现出对化学变化进行分类和量化的卓越能力，尤其是在食品真实性、掺假、安全和腐败方面。此外，还提供了对传统上被认为是不透明黑匣子的ANN 的可解释性的见解。通过使用机器学习算法，克服了在 ISFET 中观察到的传统挑战，例如传感器多变性和需要进行大量校准，从而提高了该技术的可靠性和适用性。

原文链接

https://doi.org/10.1038/s41586-024-08003-w

Nature：诺奖得主、石墨烯之父A. K. Geim教授新发现 - 二维晶体中纳米级波纹的质子传输

免责声明：部分资料可能来源于网络，转载的目的在于传递更多信息及分享，并不意味着赞同其观点或证实其真实性，也不构成其他建议。仅提供交流平台，不为其版权负责。如涉及侵权，请联系我们及时修改或删除。原创文章欢迎个人转发和分享，刊物或媒体如需转载请联系。联系邮箱：chem@chemshow.cn

扫二维码｜关注我们

微信号 : Chem-MSE

诚邀投稿

欢迎专家学者提供化学化工、材料科学与工程及生物医学工程等产学研方面的稿件至chem@chemshow.cn，并请注明详细联系信息。化学与材料科学会及时选用推送。