机器学习辅助表面增强拉曼光谱技术用于多重呼吸道病毒样颗粒过滤评估的创新研究

为解决传统口罩过滤性能测试无法模拟真实病毒特性的问题，韩国研究人员开发了基于机器学习(ML)辅助表面增强拉曼光谱(SERS)与多重病毒样颗粒(VLPs)的评估系统。通过微流控喷雾装置模拟呼吸道飞沫环境，结合1D-CNN模型实现92%准确率的VLP分布分析，为公共卫生策略提供精准数据支持。

　　

全球大流行的持续威胁使呼吸道病毒防控成为公共卫生核心议题。尽管口罩能通过机械阻隔、静电吸附等机制阻断70%的飞沫传播，但现有评估方法存在三大缺陷：NIOSH和ASTM标准仅检测颗粒物而忽略病毒特性；计算流体力学(CFD)模拟缺乏生物环境还原能力；传统技术无法同时追踪多重病毒传播轨迹。这些局限导致真实场景下的口罩防护效能评估存在显著偏差。

韩国科学技术研究院(KIST)团队在《Sensors and Actuators B: Chemical》发表的研究中，构建了革命性的评估平台。该系统整合三大核心技术：1）可调节喷射角度的微流控装置，精准模拟人类咳嗽产生的飞沫（含pH/电解质可调的黏液基质）；2）用金纳米颗粒(AuNPs)构建的多重病毒样颗粒(VLPs)，通过表面修饰复现不同病毒的尺寸/电荷特性，并标记拉曼染料实现光谱区分；3）开发一维卷积神经网络(1D-CNN)算法，实现SERS光谱数据的自动化解析，准确率超92%。

【微流控喷雾装置设计】
通过SU-8光刻技术制备的PDMS芯片可产生粒径分布为5-100μm的飞沫，其流体动力学特性经高速摄影验证与真实咳嗽数据一致。装置创新性地集成温度/湿度控制系统，模拟不同气候条件下的飞沫蒸发动力学。

【VLP仿生构建】
采用15-50nm AuNPs为核心，分别修饰流感病毒血凝素蛋白（模拟表面电荷）和SARS-CoV-2刺突蛋白（模拟形态特征）。拉曼标记采用4-巯基苯甲酸(4-MBA)与5,5'-二硫代双(2-硝基苯甲酸)(DTNB)双标签策略，在1580cm^-1和1330cm^-1处形成特征峰。

【ML-SERS联用分析】
建立的1D-CNN模型包含5个卷积层和3个全连接层，对混合光谱的解混误差仅0.8%。在模拟医院/地铁等场景的测试中，系统成功量化N95口罩对两种VLPs的拦截效率差异（流感VLP:94.2% vs SARS-CoV-2 VLP:88.7%），揭示病毒特性对过滤效能的影响规律。

该研究突破性地将生物模拟、光学检测与人工智能相结合，首次实现三大创新：1）建立飞沫-病毒复合体系的动态传播模型；2）开发可扩展的多重病原体同步检测方案；3）为口罩材料设计提供分子水平优化依据。作者特别指出，该平台可延伸至评估变异毒株的传播风险，对应对未来新发传染病具有重要战略价值。研究获得韩国保健产业振兴院(KHIDI)和国家研究基金会(NRF)资助，相关技术已申请国际专利。