综述：微萃取技术设计与优化中的人工智能：一项批判性综述与未来展望

《Green Analytical Chemistry》：Artificial intelligence in the design and optimization approach of microextraction techniques: A critical review and future perspectives

　　

人工智能（AI）在通过高效分析复杂实验数据改进微萃取技术设计与优化方面展现出巨大潜力。本综述概述了近期将AI和机器学习（ML）方法应用于微萃取方法的研究，重点涵盖参数优化、溶剂与吸附剂选择以及方法稳健性。研究人员讨论并比较了这些研究中采用的算法、先进化学计量学（chemometric）及数据驱动工具。尽管AI方法在分析化学中已广泛用于分类、模式识别和大规模数据分析，但其在微萃取技术中的应用仍相对有限且零散。研究结果表明，与传统优化策略相比，基于AI的方法可提升预测性能和实验效率，但数据可用性、可解释性和实际实施方面的挑战依然存在。

**1. 引言**
微萃取技术已成为分析化学中高效、可靠的样品前处理方法，尤其适用于复杂基质中痕量分析物的检测。这些技术通过使用最小量的溶剂和样品实现对目标化合物的分离和预浓缩，相较于传统液-液萃取（LLE）和固相萃取（SPE）方法，具有简便性、环境可持续性和分析性能提升等优势。多种微萃取技术已被开发并广泛应用，包括固相微萃取（SPME）和液相微萃取（LPME）的变体，如分散液-液微萃取（DLLME）和单滴微萃取（SDME）。尽管操作原理不同，这些方法均旨在以最小溶剂消耗实现高效提取。然而，微萃取技术的有效性高度受pH值、温度、提取时间、洗脱液选择和搅拌速度等实验参数影响。传统优化方法如单变量一次实验（OVAT）虽简单但无法考虑变量间交互作用，且实验次数多、消耗大。响应面法（RSM）通过多项式模型描述实验数据，可同时评估多因素影响，但依赖预定义数学模型，在处理高度非线性或多维交互时存在局限。现代分析化学整合了先进仪器与创新方法，人工智能（AI）和机器学习（ML）通过数据模式识别、决策优化和操作自动化，增强了分析过程。AI在微萃取中的应用能挖掘隐藏模式、优化操作条件并准确预测性能，同时减少实验工作量、提高方法稳健性，并可与化学计量学结合支持绿色分析实践。然而，非专业用户在应用AI方法时面临概念和技术障碍，因此开发直观、用户友好的界面和标准化数据集对推动AI在分析化学（包括微萃取）中的更广泛应用至关重要。

**2. 人工智能与机器学习在分析化学中的概述**
AI是机器认知的基础，旨在赋予计算机系统学习、推理和问题解决等人脑功能。ML作为AI的子集，通过数据驱动训练迭代改进模型性能。ML算法分为监督学习和无监督学习，前者使用标记数据训练分类和预测任务，后者则无需标记即可进行数据聚类。神经网络（NN）是AI的核心技术之一，模拟人脑结构处理复杂信息。AI在分析化学中的发展经历了从1950年代学科确立、1970-80年代停滞到后期计算能力提升后的复兴。AI分为狭义AI（当前应用如垃圾邮件过滤）、通用AI和超AI，其中狭义AI已有效解决复杂问题。AI与分析技术的整合彻底改变了数据分析，尤其在组学（omics）研究、实验设计优化、材料性质预测和新药发现中发挥重要作用。在分析化学中，AI已提升复杂谱图解读和色谱技术优化，成为现代分析实践不可或缺的工具。

**3. 微萃取技术参数优化中的人工智能**
**3.1. 超越响应面法（RSM）**
RSM虽广泛用于分析化学参数优化，但在复杂微萃取系统中存在根本局限。其依赖二阶多项式模型，难以表示高度非线性行为；缺乏捕捉高阶交互的灵活性；预测仅限于预设实验区域，若最优条件在区域外则可能误导；变量数增加时实验次数剧增，资源消耗大；对实验噪声敏感。因此，近年研究转向ML模型，如人工神经网络（ANN）、支持向量回归（SVR）、随机森林（RF）和混合智能系统。比较研究表明，ML模型在预测准确性、泛化能力和非线性建模方面优于RSM。例如，在优化甜叶菊叶片超声辅助提取条件时，ANN结合遗传算法（ANN-GA）的预测精度和泛化能力（更高的R²和更低的误差指标）高于RSM；在提取油菜籽粕中蛋白质时，GA-ANN混合模型提供的预测蛋白质含量更高、相对误差更低。文献综述也指出ANN在多种生物活性化合物提取过程中优于RSM。

**3.1.1. 微萃取优化中的经典实验设计策略**
在AI整合前，微萃取优化主要基于统计和化学计量学的经典实验设计，包括析因设计、中心复合设计（CCD）、Box-Behnken设计（BBD）、Doehlert矩阵和田口方法（Taguchi）。这些方法用于评估操作参数对提取效率的影响。析因设计通过两水平高低值（-1和+1）估计主效应和交互作用，但无法捕捉曲率；全析因实验次数随因子数指数增长，可用分数析因设计减少实验。CCD通过中心点和轴向（α）点估计曲率，α值决定设计旋转性。BBD在三因子及以上时使用三水平（-1, 0, +1），实验点位于设计空间边缘中点而非顶点，避免极端条件，实验次数少于CCD，适用于建模球面区域。Doehlert设计基于六边形几何，实验次数少，且可扩展实验域，但边界预测方差高。田口方法基于正交阵列（OA）估计主效应，使用信噪比（SN）评估过程稳健性，分为规划、实验、分析和确认阶段。这些经典策略在微萃取中广泛应用，如CCD优化薄膜-SPME、涡旋辅助DLLME；BBD用于薄膜微萃取（TFME）、搅拌棒吸附萃取（SBSE）；Doehlert用于DLLME痕量金属测定、顶空SPME；田口用于中空纤维液相微萃取、磁分散微固相萃取。尽管有效，这些方法基于固定模型假设，对高度非线性系统适应性有限，从而推动数据驱动和AI辅助优化框架的发展。

**3.2. 混合建模**
为克服RSM等经典方法的局限，整合ML算法与元启发式优化技术的混合建模方法受到关注。ANN与进化算法如遗传算法（GA）和粒子群优化（PSO）的组合最为常见。混合框架中，ANN首先从实验数据建立输入变量与响应之间的非线性关系，然后GA或PSO在参数空间中全局寻优。ANN混合模型无需预定义数学形式，能捕捉高度非线性和多维关系。支持向量机（SVM）混合模型因泛化能力和小数据集稳健性在分析过程中被探索。研究表明，混合AI模型在预测准确性、稳健性和实验效率上优于传统统计方法。例如，在DLLME痕量铁测定中，ANN-GA优化比CCD更可靠；在微均相液液微萃取（HLLME）中，ANN-PSO框架可靠预测了锌提取效率；在溶剂终止分散液液微萃取（ST-DLLME）中，ANN-MOEA/D混合模型实现了Cd²⁺和Cu²⁺的多目标优化，提取效率高于CCD和非支配排序遗传算法II和III（NSGA II, NSGA III）。表1比较了RSM与AI/混合模型在参数优化中的差异，显示AI模型在非线性建模、多变量处理、预测精度和灵活性方面的优势。

**4. 溶剂与吸附剂选择中的人工智能**
**4.1. 数据驱动溶剂筛选**
AI辅助溶剂筛选作为经验选择策略的合理替代方案出现。ML模型建立溶剂相关变量（如类型、体积、极性、分散性）与提取性能指标（如富集因子、回收率）之间的定量关系。研究实例包括：混合ANN-蝙蝠算法（ANN-BA）模型优化ST-DLLME用于Cu²⁺测定，提取效率优于CCD，回收率85-98%；另一项研究使用p-磺酸基杯[4]芳烃作络合剂，ANN-BA优化使效率提升7.21%；涡旋辅助液液微萃取（VA-LLME）使用疏水性低共熔溶剂（HDES），ANN-GA结合真实溶剂似导体屏蔽模型（COSMO-RS）优化提取山西老陈醋中的酚酸和四甲基吡嗪，实现高效可持续提取。这些研究展示了AI引导数据驱动溶剂筛选在绿色高性能微萃取中的潜力。

**4.2. 设计新型吸附剂**
吸附剂设计对微萃取性能至关重要，但传统方法依赖经验试错。AI和ML通过基于材料描述符和实验数据的预测建模辅助理性设计。ML技术如决策树集成、梯度提升机和高级回归模型成功预测了工程吸附剂（如树脂、生物炭）的吸附容量，识别关键理化特征。在分析提取中，预测框架可指导特定微萃取格式的吸附剂选择。然而，ML辅助材料发现在吸附科学中进展迅速，但其直接应用于微萃取吸附剂的理性设计仍大部分未开发。这一差距凸显了未来研究机会，即整合ML与分子描述符、表面化学参数和提取数据，实现下一代吸附剂的预测设计。

**5. 方法可转移性与稳健性中的人工智能**
**5.1. 微萃取技术方法可转移性的挑战**
微萃取方法对实验条件敏感，依赖分析物、提取相和基质之间的平衡分配和理化相互作用。参数如pH、离子强度、基质组成和温度显著影响提取行为。传统优化策略（OVAT和RSM）在窄域内识别局部最优，但常忽视基质变异和高阶交互，导致方法通用性差，需重新优化。

**5.2. 基于AI的稳健方法开发建模**
ML通过强调泛化而非局部优化提供不同范式。ML算法无需预定义函数形式，可直接从数据学习复杂非线性关系。ANN、集成学习模型和核方法擅长处理噪声和多维分析数据，交叉验证防止过拟合，确保对未见数据的预测准确性。AI优化框架有助于开发比传统方法更稳健的微萃取方法。表2比较了经典统计优化与AI建模在稳健性、泛化和可转移性方面的差异，显示AI模型在处理非线性、噪声容忍度和泛化能力上的优势。

**6. 深度学习与特征发现**
深度学习（DL）技术如卷积神经网络（CNN）、循环神经网络（RNN）和自动编码器可自动识别相关特征并捕获高维非线性关系。在分析化学中，DL已成功用于谱图分析和相关提取过程，识别噪声多维数据中的隐藏模式，提升预测稳健性。与依赖手动特征选择的经典方法不同，DL通过分层非线性变换自动发现潜在特征，特别适用于微萃取中溶剂性质、传质动力学和基质效应间的复杂交互。自动编码器用于色谱数据降维和潜在特征提取，CNN在谱图结构化模式识别中表现优异。DL有望为复杂提取系统提供更深入的机理见解和更高建模精度。

**7. 挑战与未来展望**
尽管AI在微萃取领域兴趣增长，但数据可用性（数据集小且零散）、模型可解释性（复杂非线性交互掩盖参数影响）和实际实施（需数据预处理和算法配置知识）仍是主要挑战。缺乏标准化指南影响可靠性和可比性。解决这些挑战需分析化学家、数据科学家和监管机构的协作，建立最佳实践和参考框架。

**8. AI在评估微萃取方案绿色性中的作用**
传统绿色性评估方法如分析生态尺度、绿色分析程序指数（GAPI）和AGREE度量费时且难以适应复杂流程。AI可快速处理和分析绿色性参数（溶剂类型、能耗、废物生成等），预测方案绿色等级，并支持复杂多准则工具如Complex GAPI、蓝色适用性等级指数（BAGI）和RGB白度模型，实现分析性能与环境影响的平衡优化。

**9. 结论**
AI是推动微萃取技术设计与优化的有价值工具。数据驱动和AI辅助模型在参数优化、溶剂/吸附剂选择和稳健性评估中展现出优于传统策略的预测性能和实验效率。尽管当前应用有限且零散，但随着研究增加，方法稳健性、可重复性和可转移性有望提升。建立标准化的数据生成、模型验证和报告协议对确保透明性和可靠性至关重要。在保持方法严谨性、数据质量和模型可解释性的前提下，AI驱动方法将显著促进更强健、高效和智能的微萃取技术发展。