基于强化学习的生物测定可靠合成方法在MEDA数字微流控生物芯片上的应用

《ACM Transactions on Intelligent Systems and Technology》：Reinforcement Learning-based Reliable Synthesis of Bioassays on MEDA Digital Microfluidic Biochips

微流控生物芯片MEDA通过电极阵列实现液滴操控，但存在电极故障问题。本文提出强化学习布局优化（RLPM）和碰撞规避路由（CAMR）两阶段方法，在降低28.6%面积利用率的同时保持可靠性。

　　

摘要

微流控生物芯片在即时诊断中发挥着重要作用。先进的微流控生物芯片能够高效地执行各种流体操作，并稳健地进行蛋白质合成、药物发现等生物分析。微电极点阵列（MEDA）数字微流控生物芯片是新一代有前景的微流控生物芯片之一，其特点是每个电极上都装有专用传感器。该芯片能够操控不同体积的液滴并将其导向任意方向，因此属于先进的微流控技术。然而，MEDA和传统数字微流控生物芯片的工作原理都基于“介电表面电湿润”现象。尽管具有诸多优势，MEDA仍会受到介电击穿导致的电极故障影响。这种电极故障主要发生在重复或长时间驱动的情况下。因此，开发新的生物分析合成方法以确保MEDA的可靠性和无误操作至关重要。 由于电极的重复或长时间驱动主要发生在模块内部，通过适当的放置策略可以提升MEDA生物芯片的可靠性。由于流体导向是完成任何生物分析的必要步骤，我们还提出了一种简单的碰撞避免路径规划算法。在本文中，我们提出了一种两阶段合成技术来提高MEDA生物芯片的可靠性。首先，我们设计了一种基于强化学习的放置方法（RLPM），用于实现直线形微流控模块的可靠性优化放置；接着，我们提出了一种基于启发式的碰撞避免路径规划方法（CAMR），用于确定不同体积液滴在芯片上的无碰撞传输路径。RLPM利用强化学习的优势，旨在在提高可靠性的同时减少芯片的使用面积；而RLPM与CAMR的结合则进一步缩短了生物分析的总体完成时间。仿真结果表明，与Zhong等人2020年提出的TCAD技术相比，所提出的合成技术平均可降低28.6%的芯片使用面积，同时不牺牲芯片的可靠性。