机器学习驱动的微流控技术揭示无定形碳酸钙(ACC)的亚稳态特性及其结晶转化动力学研究

本研究通过结合微流控技术与机器学习方法，创新性地解决了无定形碳酸钙(ACC)在受限环境中转化速率难以量化的问题。德国于利希研究中心团队开发了级联U-Net与K-Means聚类算法，仅需11张手动标注图像即可高效分析11,288个微滴中ACC向方解石/球霰石的转化过程，首次发现ACC在微滴中可稳定存在超过24小时（转化速率0.027 min-1）。该成果为生物矿化、环境修复等领域提供了重要的实验分析工具。

　　

碳酸钙是自然界最丰富的矿物之一，其无定形态(Amorphous Calcium Carbonate, ACC)作为方解石、球霰石等晶态的前驱体，在生物矿化、碳封存等领域具有关键作用。然而ACC的亚稳态特性使其在体相溶液中快速转化，传统方法难以精确表征其转化动力学。更棘手的是，受限环境会显著改变ACC的稳定性，但现有技术无法高效分析微尺度下的相变过程——这就像试图用秒表测量萤火虫的发光频率，既缺乏合适工具又面临海量数据处理难题。

德国于利希核废料管理研究所Ryan Santoso团队在《Scientific Reports》发表的研究中，创造性地将微流控技术与机器学习相结合。研究者采用商业化的液滴生成芯片（TOPAS COC材料），通过双通道分别注入CaCl₂和Na₂CO₃溶液（流速1μL/min），在氟化油中形成约170μm直径的微滴。实验采用时间分辨显微成像（6小时/17时间点）和拉曼光谱验证，开发了级联U-Net模型：首个U-Net识别微滴轮廓，第二个和第三个U-Net分别定位球霰石（球形）和方解石（菱面体），结合K-Means聚类算法实现自动计数。关键技术突破在于通过特征分层处理（先分割微滴再识别晶体）解决了传统方法中因像素占比悬殊（晶体仅占3像素vs微滴数千像素）导致的识别偏差问题。

【Cascading U-Net results】
级联U-Net在仅标注11张原图（经数据增强）的情况下，对192张显微图像实现42分钟快速分析（CPU运行）。如图3所示，模型准确识别了54个微滴中的晶体分布（绿色方解石/红色球霰石），虽然球霰石存在轻微过预测，但整体与人工标注吻合度达90%。表1显示三个U-Net模型的交叉熵误差分别为2.7×10⁴（微滴）、7.7×10²（球霰石）和2.1×10²（方解石），在线预测单图仅需1.6秒。

【Clustering and counting results】
通过算法2的轮廓分析（OpenCV库实现），研究发现初始所有微滴均含ACC相，其数量随时间呈指数衰减（公式1）：N_d,ACC=65.63e^-0.027t+596.0。图4显示6小时后仍有90%微滴保留ACC相，24小时手动验证确认443/653微滴（67.8%）未结晶，证实ACC在受限环境中的异常稳定性（半衰期>24小时），远超体相溶液的20分钟转化时限。

这项研究开创性地建立了微流控-机器学习联用平台，其意义体现在三个维度：方法学上，级联U-Net策略解决了显微图像中多尺度特征识别的世界性难题，为高通量晶体分析树立新标准；理论上，首次量化了受限体系中ACC的转化动力学（0.027 min^-1），为解释生物体如何通过微环境调控矿化过程提供依据；应用层面，开源工具包（cac库）可直接用于重金属/核素共沉淀研究，对放射性废物固化（如²²⁶Ra封存）具有重要参考价值。正如讨论部分指出，该方法可拓展至研究添加剂（如Mg²⁺/PO₄^3-）对ACC稳定性的影响，为设计新型环境修复材料开辟道路。