基于多层石墨烯晶体管阵列的多参数机器学习方法实现未处理生理流体中创伤性脑损伤生物标志物的超灵敏检测

本研究针对PoC（床旁检测）免疫传感器在未处理生理流体中检测超低浓度生物标志物时面临的预处理需求与器件间电学响应变异性问题，提出了一种集成稳态/瞬态特征的多参数机器学习（ML）方法。通过分析多层石墨烯（FLG）晶体管阵列的漏极电流变化（M）、噪声密度（N）等特征参数，实现了创伤性脑损伤（TBI）标志物GFAP/S100B在0.5 fM浓度下的高精度分类（准确率93%）与定量（准确率90%）。该研究为克服溶液法石墨烯器件批间差异、推动无需预处理的实时PoC诊断提供了新范式。

　　

在医疗诊断领域，实现无需复杂预处理的生理流体即时检测（Point of Care, PoC）是突破传统实验室检测局限的关键。然而，现有技术面临两大"拦路虎"：一是生物样本中非特异性蛋白干扰导致的背景噪声，二是规模化生产的纳米材料器件存在的批间差异。以创伤性脑损伤（TBI）诊断为例，血液中的GFAP和S100B蛋白浓度低至femtomolar（fM, 10^-15
M）级别时，传统检测方法往往需要离心、浓缩等耗时预处理步骤，而采用溶液法剥离制备的石墨烯场效应晶体管（FET）传感器又因纳米片厚度、取向等参数差异导致电学响应不一致。这种"双重困境"严重阻碍了便携式诊断设备的临床应用。

针对这一挑战，来自印度理工学院的研究团队在《Applied Materials Today》发表了一项创新研究。他们巧妙地将机器学习算法与多层石墨烯（Few-Layer Graphene, FLG）晶体管阵列相结合，开发出能直接分析未处理血浆的超灵敏检测平台。该研究的突破性在于：首次通过融合稳态电学参数（如漏极电流变化M）与瞬态特征（噪声密度N、频率滚降率R等），构建出能区分特异性生物分子"指纹"的多维特征空间，在0.5 fM的极低浓度下仍保持90%以上的定量准确性。

关键技术方法
研究采用液相剥离法（LPE）制备FLG分散液，通过喷雾涂布构建晶体管阵列通道。检测系统集成定制印刷电路板，实时采集稳态电流-电压曲线和噪声功率谱。从时域信号提取7个关键参数（M、R、N、T_max
等）作为机器学习输入特征，采用血浆样本直接检测GFAP/S100B，避免离心等预处理步骤。

研究结果

Exfoliation and physicochemical characterization of FLG
拉曼光谱显示剥离后FLG的I_D
/I_G
比值升高，证实边缘暴露增加。动态光散射（DLS）显示纳米片平均流体力学尺寸为280 nm，原子力显微镜（AFM）测得厚度分布2-8 nm，对应5-20个石墨烯层。这种可控的多层结构为传感器提供高比表面积和电荷传输通道。

Conclusion
研究证实，基于M-R-N-S等参数组合的机器学习模型能有效补偿溶液法石墨烯的固有差异。在未处理血浆中，系统对0.5 fM TBI标志物的分类准确率达93%，定量误差<10%。噪声功率谱分析揭示：生物分子在石墨烯表面的取向差异会产生独特的频谱"凸起"，这一发现为区分特异/非特异结合提供了新维度。

重要意义
该研究首次实现三个关键突破：（1）完全规避血浆预处理步骤，缩短检测时间至实时水平；（2）通过特征工程克服LPE石墨烯的批间差异，使溶液法生产PoC器件成为可能；（3）创制便携式PCB检测设备，fM级灵敏度满足临床需求。这种"材料-器件-算法"协同创新策略，为神经创伤、心血管疾病等多标志物联检提供了普适性技术框架。