综述:用于生物医学检测的AI辅助拉曼光谱技术:将新一代的判别性光谱分析与SERS基底的生成式逆向设计相结合
《TrAC Trends in Analytical Chemistry》:AI-assisted Raman spectra technique for biomedical sensing: Combine new generation of discriminative spectral analysis with generative inverse design of SERS substrate
【字体:
大
中
小
】
时间:2026年06月30日
来源:TrAC Trends in Analytical Chemistry 11.8
编辑推荐:
徐阳阳|朱健 中国西安交通大学生命科学与技术学院,教育部生物医学信息工程重点实验室,西安710049
摘要:表面增强拉曼散射技术兼具分子指纹特异性和高灵敏度,已被广泛应用于生物医学诊断、环境监测及化学分析领域。由于SERS效应的强度取决于贵金属纳米结构的几何形态以及电磁热点的分
徐阳阳|朱健 中国西安交通大学生命科学与技术学院,教育部生物医学信息工程重点实验室,西安710049
摘要:表面增强拉曼散射技术兼具分子指纹特异性和高灵敏度,已被广泛应用于生物医学诊断、环境监测及化学分析领域。由于SERS效应的强度取决于贵金属纳米结构的几何形态以及电磁热点的分布,微小的制造误差就会导致信号出现较大波动,从而影响测量的重复性。虽然判别性机器学习方法有助于提升光谱解析能力,但无法直接指导基底设计。如今,深度生成模型结合物理导向的替代方法,能够根据目标光学参数反向设计纳米结构,为SERS基底的开发提供了判别性分析与生成设计之间的闭环可能性。本综述涵盖了SERS领域的判别性光谱分析及生成式逆向设计两方面内容,分析了各类判别方法及其局限性,探讨了可解释人工智能如何将光谱分析与结构设计相衔接,并总结了生成式设计策略。同时,也讨论了该技术在实际应用中的转化问题及未来发展方向。
引言:1974年,Fleischmann等人首次观察到SERS现象——当吡啶吸附在粗糙的银电极上时,会出现拉曼信号增强现象。此后,SERS逐渐发展成为一种强大的生物传感技术,它既具有分子指纹特异性,又具备高灵敏度,能够实现痕量浓度下的快速无标记检测,被广泛用于生物医学诊断、环境监测及化学分析等领域。SERS的物理基础在于贵金属纳米结构的局域表面等离子体共振现象。当金属纳米粒子的特征尺寸远小于入射光波长时,其导带电子会发生集体振荡,从而在粒子表面形成强烈的电磁场。相邻纳米粒子之间的相互作用会进一步将这些电磁场集中到纳米级间隙中,形成电磁热点。由于等离子体活性纳米表面强烈的电磁场增强作用,原本微弱的拉曼信号会被增强6到8个数量级。虽然在大多数等离子体SERS系统中电磁机制起主导作用,但分析物与金属表面直接结合所产生的化学(电荷转移)效应也会起到一定作用,通常会使信号增强1到2个数量级。对于那些与金属分子的电荷转移状态处于共振状态的分析物而言,这种化学效应不可忽视,而在某些半导体和二维材料基底上,它甚至可能成为主导因素。纳米粒子的材料、尺寸、形状以及粒子间的间距变化都会改变局域表面等离子体共振频率,进而影响局部场强。
在生物医学领域,SERS具有独特的诊断优势。Lee等人研究表明,借助人工智能增强的SERS技术可以提高光谱解析的准确性和速度,从而推动分子检测和生物医学成像技术的发展。在癌症早期筛查方面,Shin等人开发了一种外泌体SERS-AI检测平台,能够同时检测六种癌症类型——肺癌、乳腺癌、结直肠癌、肝癌、胰腺癌和胃癌,在520份测试样本中的AUC值高达0.970。在一项大规模队列研究中,Lin等人将血清SERS指纹技术与深度学习相结合,分别实现了乳腺癌和甲状腺癌99.5%和99.6%的AUC值。在环境监测领域,传统的痕量金属离子检测方法如电感耦合等离子体质谱法和原子吸收光谱法虽然灵敏度较高,但设备昂贵且样品前处理繁琐,不适合快速现场分析。基于荧光的检测方法则常常因复杂水溶液环境中的荧光猝灭现象而受限。而SERS技术则能够实现痕量污染物的原位快速定量分析。例如,Li等人开发了一种人工智能增强的SERS探针方法,可用于复杂水环境中多种金属离子的同时识别与定量。Zhou等人进一步将这一原理应用于动态测量,他们利用Ag@AuNP基底与野生型大肠杆菌作为整体细胞生物传感器,通过机器学习分析代谢相关的SERS响应,从而在一次检测中区分八种重金属和五种全氟化合物。利用细胞代谢作为信号放大机制,使得无标记SERS技术的检测范围扩展到了那些本身没有强拉曼活性的化合物,而时间维度则为后续分类器提供了额外的判别依据。
尽管SERS技术具有如此多的优点,但其高灵敏度与信号重复性较差之间的矛盾仍然制约着它的应用发展。SERS信号的强度受目标分析物、纳米结构几何形态以及电磁热点空间分布的影响。由于SERS信号强度与局部场强的四次方成正比,因此制造公差、批次差异或表面缺陷带来的微小几何变化,都会导致记录到的信号出现大幅波动。因此,建立稳定的信号强度与参数之间的关系,是将其作为定量分析方法应用的主要障碍。
在过去十年中,人工智能和机器学习技术被广泛应用于SERS领域,旨在解决从复杂光谱中提取分析物信息的难题。早期的研究主要采用判别性方法,如支持向量机、主成分分析以及卷积神经网络,通过识别拉曼光谱中的特征峰或潜在特征,来实现分类和定量预测。Bi等人指出,如今人工智能的应用已经覆盖了SERS技术的整个工作流程,从基底设计到数据处理皆有涉及。然而,这些判别性方法本质上仍属于统计分析范畴,无法解释决定SERS性能的物理因素,即贵金属纳米结构的几何形态以及它们所诱导的电磁场分布。传统的纳米结构优化方法依赖于实验室实验或计算成本高昂的电磁仿真技术,这类方法并不适合处理高维参数空间中的复杂问题。
如今,深度生成模型和基于物理原理的机器学习方法提供了一种新的解决方案——根据目标性能指标来生成纳米结构设计。在本综述中,所谓逆向设计,指的是首先确定目标SERS响应参数,如增强因子、峰位以及热点均匀性,然后让模型提出满足这些条件的纳米结构几何形态,这与传统的设计思路相反——传统方法是先选定几何结构,再计算相应的响应值。目前,逆向设计算法越来越多地与GANs、VAEs和扩散模型等生成式架构相结合,从而可以根据期望的光谱响应来推导出几何参数、合金成分及组装配置。Malkiel等人较早地证明了深度神经网络能够直接从远场光学测量数据中预测亚波长级结构参数。这两种方法在同一个框架内发挥着互补作用:判别性模型结合可解释人工智能工具,如SHAP值和Grad-CAM,能够识别出对检测性能最为重要的光谱特征,从而确定需要优先优化的热点区域,为生成式方法提供具体的设计目标。可解释人工智能是指那些能够将黑箱模型的预测结果归因于特定输入特征的后处理方法,在SERS技术中,这些输入特征就是光谱的波数区间,因此可解释人工智能提供的证据可以与已知的振动模式进行交叉验证。随后,麦克斯韦方程组、材料色散关系以及制造公差等物理约束条件会被纳入生成模型中,确保所设计的结构在电磁学上合理且能够在实验中实现。这样一来,整个系统就形成了一个完全集成的闭环结构。从操作层面来看,这个闭环流程意味着生成器会提出候选纳米结构,通过实验制备出实际结构,再通过SERS测量得到实际的增强效果,以此不断迭代优化生成器。最终,这些制备好的基底会再次经过最初的判别性分析流程进行实际检测,从而完成整个功能循环。
与现有综述的对比:近期已有几篇综述从不同角度探讨了人工智能辅助SERS技术。Bi等人总结了人工智能在SERS全流程中的应用,其中基底设计部分仍在传统优化框架范围内讨论。Tang等人则聚焦于结合机器学习的无标记SERS技术在病原体识别中的应用。Quarin等人概述了SERS传感技术从判别性人工智能向生成性人工智能的转变趋势,但并未对具体的生成式架构进行系统性的技术分析。Cialla May等人则总结了当前在医学、环境监测及食品安全领域中应用的各类SERS生物传感器平台。与这些现有综述相比,本综述有以下四点不同之处:第一,它将判别性光谱分析与生成式逆向设计放在同一框架下进行研究,而非作为独立的研究方向;第二,可将解释性人工智能视为连接判别性分析结果与生成器设计目标的桥梁;第三,无论是自上而下的光刻制备方法还是自下而上的胶体合成方法,其可制造性限制都被视为生成模型中的内在损失项或稳健性要求,而非事后才考虑的工程因素;第四,物理导向的替代方法则被视为连接判别性分析与生成设计的工作流程中的重要组成部分,而非独立的分析工具。接下来的论述将围绕这四个方面展开,同时也会指出各阶段仍存在的未解问题。
本综述梳理了人工智能驱动的SERS技术的发展历程,重点关注判别性光谱分析与生成式结构设计这两方面的协同发展。第二部分回顾了SERS技术在生化检测和生物医学传感领域的应用,并分析了复杂环境条件下信号重复性所面临的挑战。第三部分探讨了SERS中正向建模与判别性分析的局限性,第四部分则研究了新一代判别性光谱分析策略,分析了各类判别性机器学习方法及其局限性,同时说明了可解释人工智能如何实现判别性分析与生成设计之间的衔接。第五部分探讨了基于深度生成模型和物理导向替代模型的逆向设计策略。第六部分提出了一个统一的性能评估框架。第七部分则讨论了闭环智能SERS传感系统的未来发展趋势。本综述的整体逻辑结构如图2所示。
章节节选:
人工智能辅助SERS技术及其在生物医学传感中的应用:本部分介绍了人工智能辅助SERS技术在生化检测和生物医学传感领域的典型应用,重点涵盖了癌症筛查、病原体识别、病毒检测以及外泌体分析等方面。由于这些应用在目标类型、样品基质、算法策略以及验证范围等方面存在差异,表1汇总了相关代表性研究,以便在进一步讨论判别性算法的局限性及生成式设计的作用之前,提供一个对比概览。
SERS中正向建模与判别性分析的局限性:尽管在光谱分类和定性识别方面已取得一定进展,但目前大多数方法仍依赖于试错式的正向建模。这类方法将经验性的数值模拟与判别性机器学习算法相结合,但在处理原子级制造精度和复杂环境基质时,存在计算成本高且模型可解释性差的缺点。
新一代判别性光谱分析策略:为了解决上述的泛化能力和数据匮乏问题,近期的判别性方法已经从专注于单一任务和精度的学习方式,转向了能够适应不同实验条件的迁移学习策略。
生成模型与纳米结构的逆向设计:原本为计算机视觉和语言处理而开发的深度生成模型,近年来也被应用于纳米光子学的逆向设计领域。与那些从结构到性能的正向映射p(y|x)进行学习的判别性方法不同,生成模型旨在学习从性能到结构的逆向映射p(x|y),或者通过建模联合分布p(x,y)来实现双向推理。实际上,这意味着可以根据目标性能要求来生成相应的纳米结构几何形态。
人工智能辅助SERS生化检测的定量性能评估框架:为了系统地评估不同人工智能算法在SERS光谱分析中的适用性,本部分建立了一个五维评估框架,用于评价人工智能辅助SERS在生化检测中的应用效果。该框架既考量了每种算法自身的内在性能,也考察了其在实际应用场景中与SERS技术结合后的实用表现。在本综述中,我们将这个五维评估框架定义为同时报告以下五个方面的内容:分类性能……
结论:本综述研究了人工智能辅助SERS技术在生物医学传感和生化检测领域的应用,重点探讨了判别性光谱分析与生成式逆向设计这两大互补方向。在判别性分析方面,卷积神经网络、循环神经网络、迁移学习以及光谱解混方法,都在复杂基质干扰和多变实验条件下提升了分类性能。在生物化学检测和生物医学传感领域,SERS与人工智能的结合具有重要意义。CRediT作者贡献声明:朱健:撰写——审阅与编辑;徐洋洋:撰写——初稿。利益冲突声明:作者们声明没有竞争性财务利益。致谢:本研究得到了中国陕西省自然科学基础研究计划的资助,项目编号为2024JC-YBMS-526。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号