综述：人工智能在生物传感器开发中的近期进展：从生物探针设计到制备及信号分析

《Biosensors》：Recent Progress in Artificial Intelligence in Biosensor Development: From Bioprobe Design to Fabrication and Signal Analysis

　　

2019冠状病毒病（COVID-19）大流行凸显了对快速、精准且适用于即时检测的诊断技术的迫切需求，推动了生物传感器作为下一代分析平台的研发热潮。然而，生物传感器的性能由生物探针-靶标识别、传感器制备、结构优化及信号解读等一系列相互关联的环节共同决定。由于这些环节涉及多变量交互作用，传统经验方法在高效优化生物传感器性能及解析复杂分析信号方面存在明显局限。人工智能（AI）与机器学习（ML）为建模上述变量间关系、支撑预测导向的生物传感器开发提供了有效工具。本综述系统梳理了AI辅助生物传感器开发在三个连续阶段的近期进展：首先，总结了AI辅助生物探针设计的相关研究，涵盖计算机模拟适配体发现、智能指数富集配体系统进化（smart-SELEX）介导的适配体筛选及多肽受体设计，旨在提升分子识别效能；其次，探讨了AI驱动的传感器制备与结构优化策略，重点关注电化学特征提取、纸基微流控器件优化及光学生物传感器参数预测；最后，分析了基于ML的信号分析方法，该方法可将复杂的电化学、比色及光学响应转化为定量分析结果。通过将相关案例组织为连贯的工作流程而非孤立应用，本综述阐明了AI如何连接分子设计、器件工程与信号解读，从而加速下一代生物传感器的开发进程。

1. 1.
   引言
   生物传感器是将生物识别元件与信号换能器相结合，用于分析靶标分析物存在及其特性的平台。靶标分析物与生物探针间的选择性相互作用将生物分子层面的信息转化为可测量信号，不仅能实现靶标存在的定性识别，还可对其浓度及状态进行定量分析。该类技术在临床诊断、环境监测、食品安全及传染病检测等领域应用广泛，已成为快速分析与即时检测的重要分析平台。传统实验室分析方法（如色谱法、免疫分析法、分子诊断技术及光谱技术）虽准确性与重复性良好，但严重依赖样品前处理、多步反应、昂贵仪器及专业人员操作。上述局限性促使科研界亟需开发操作流程简化、响应快速、可微型化且适用于即时检测的新型平台，生物传感器因此成为满足上述需求的有力候选。尤其在复杂生物环境中需要实时捕获动态变化信息时，具备即时信号转导与分析能力的生物传感器平台重要性愈发凸显。

近期生物传感器研究已超越单纯靶标检测范畴，日益聚焦于靶标结合引发的复杂信号变化的精准测量与解读。电化学传感器采用电化学阻抗谱（EIS）、循环伏安法（CV）及差分脉冲伏安法等检测技术；光学传感器则依托表面等离子体共振（SPR）开展分析。这些技术通过更灵敏地捕捉界面反应或分子结合引发的细微信号变化，提升了检测灵敏度与分析精密度。但在真实复杂生物基质中，非特异性结合、信号噪声及交叉反应性可同时作用导致信号失真。在多变量条件下，仅依靠简单阈值判别或线性模型难以充分解释此类复杂行为，因为生物传感器响应并非源于单一结合事件，而是分子识别后界面反应、电荷与质量传输及信号放大等环节顺序耦合的结果。结合亲和力与结合动力学决定靶标识别效率，而表面固定化状态及反应环境亦影响界面可及性与反应效率；同时，材料组成、纳米材料结构及电极表面状态会改变活性面积与电荷转移路径，进而影响最终响应的幅度与稳定性。因此，生物传感器性能应被视为多设计变量及其交互作用共同决定的复杂结果，其设计本质上属于高维优化问题。基于此视角，经验试错法在系统性探索设计空间时存在效率与重复性的显著局限。

人工智能与机器学习的近期进展使其成为解决高维非线性问题的关键工具。AI可学习变量间关系并预测设计空间内的最优条件，其在多变量优化与复杂信号解读相关的设计与分析问题中的有效性已得到持续验证。在蛋白质与分子设计领域，序列-结构-功能关系的机器学习已实现结合亲和力预测与候选分子生成；在生物加工与一般工艺优化领域，多变量与性能输出的交互建模在减少重复实验的同时提升了生产效率与工艺稳定性。上述趋势表明，生物传感器开发亦可受益于更系统化、预测性的生物探针设计、制备优化及复杂传感器信号解读方法。

基于此，本综述系统探讨AI与ML如何融入生物传感器设计与制备全流程。在生物传感器领域，AI方法不仅能提升单个环节的效率，更可支撑整个开发流程的整合。生物传感器性能由多设计制备变量及其交互作用决定，因此AI可在设计阶段探索分子识别元件与材料的组合，在制备阶段学习工艺变量与传感器响应的关系以推导最优条件，在解读阶段将复杂信号关联为定量诊断信息。AI的这些进展正对生物传感器开发产生日益重要的影响，为其从简单信号检测装置向集设计、制备与解读于一体的智能分析系统演进提供了基础。与既往主要讨论AI在生物传感器信号处理、分类或单一传感器平台应用的综述不同，本综述将AI辅助生物传感器开发构建为涵盖生物探针设计、传感器制备与结构优化、信号分析的连贯工作流程。在该流程中，AI并非传感器制备后应用的孤立计算工具，而是连接分子识别、器件工程与分析解读的设计框架。这一视角有助于评估AI对生物传感器开发各阶段的贡献，以及前一阶段信息如何指导后续阶段的决策。

1. 2.
   AI驱动的生物传感器设计优化
   生物传感器的检测性能很大程度上取决于其对靶标分子的选择性识别能力，这与生物探针的结合特性密切相关。抗体、适配体及多肽等分子识别元件长期作为生物传感器的核心组件，但其开发传统上依赖迭代实验筛选策略（如免疫分析、指数富集配体系统进化（SELEX）及噬菌体展示）。尽管这些方法可产生有效的识别候选物，但因需筛选大规模候选文库，往往耗时耗力；且其效率可能随靶标分子的结构复杂度与生化特性波动。随着生物传感器技术日益精密，生物探针开发不仅需鉴定结合候选物，还需同时考量亲和力、特异性、结构稳定性及与传感器平台的兼容性。

在此背景下，AI与计算机模拟建模已成为推动生物探针开发从经验驱动筛选向预测导向设计转变的重要工具。数据驱动方法可整合序列、结构及理化信息，在实验验证前预估靶标-生物探针相互作用的可能性，从而在预实验阶段更精准地缩小候选范围。这一转变的意义不仅在于加速分子筛选过程，更在于以更定量、系统的方式重构分子识别元件的设计逻辑。因此，AI驱动的生物探针工程不应仅被视为生物传感器开发早期阶段的辅助技术，而应作为重塑决定整体传感器性能的分子识别元件设计的核心框架。本节重点探讨AI如何融入生物探针的发现与设计过程。

2.1 计算机模拟适配体设计与传感器集成：AI辅助适配体生成与结合预测

Abril等提出了一种用于检测鱼类主要过敏原β-parvalbumin（β-PRVB）的计算机模拟适配体平台。研究人员通过随机突变算法与变分自编码器共生成6213个适配体候选物，并采用图神经网络将适配体与蛋白质建模为分子图，预测两者间的表观解离常数。在此语境下，AI介导的候选物生成与结合预测可作为降低适配体开发相关实验筛选负担的策略。随后基于预测解离常数、折叠自由能及二级结构对候选池进行过滤，筛选出3个具有高结构稳定性与结合潜力的适配体作为主要候选物。进一步通过序列比对、核苷酸水平接触评分及最低能量三维结构对这3个候选物进行比较，并利用3dDNA生成的适配体三维结构与AlphaFold2预测的β-PRVB结构进行HADDOCK对接分析，考察蛋白质与适配体的结构相互作用。基于结构的对接分析可用于预测适配体与蛋白质的结合模式，后续通过荧光淬灭实验验证实际结合能力。其中APT29在pH 5.2时表现出最高的荧光恢复率及对β-PRVB的选择性响应，被选为最终适配体。该适配体被固定于金电极上，构建了基于方波伏安法（SWV）的电化学适配体传感器，实现3.3 μg/mL的检测限（LOD）与10 μg/mL的定量限（LOQ），证明了其在商业化加工食品样品中的适用性。总体而言，AI在该研究中的作用不仅限于计算扩展适配体候选序列的搜索空间，还延伸至实验验证前的结合潜力与结构适用性评估。这项工作的意义在于通过AI驱动的计算机模拟流程实现了适用于电化学生物传感器的适配体系统化设计，避免了仅依赖复杂的SELEX迭代筛选。

2.2 选择性导向的适配体筛选与优化：AI辅助相互作用预测与交叉反应性评估

Douaki等提出了一种基于智能SELEX（smart-SELEX）的策略，用于设计检测铵离子的RNA适配体。考虑到电化学传感器的德拜长度，研究人员构建了包含10⁸条长度为27核苷酸的随机RNA序列文库，随后基于二级结构与自由能进行初步过滤。通过对接与分子动力学模拟评估其与铵离子的结合潜力，同时考察其与二甲胺（DMA）、三甲胺（TMA）的交叉结合可能性，最终筛选出5个RNA适配体候选物。与此同时，收集已报道的小分子靶标适配体数据构建包含1456条条目的训练数据集，将适配体序列与靶标信息分别输入卷积神经网络模块。这种联合学习适配体序列信息与靶标分子信息的方法可实现数据驱动的适配体-靶标相互作用预测。随后将筛选出的5个适配体作为生物识别元件应用于电化学适配体传感器，基于EIS衍生的阻抗变化评估其对铵离子的浓度依赖性响应。部分候选物在低浓度范围内表现出显著的阻抗变化，显示出作为铵离子检测生物探针的潜力。研究人员还比较了传感器对DMA、TMA、甲醇及乙醇等干扰物质的响应，最终适配体候选物对铵离子表现出相对较大的阻抗变化，而对其他干扰物质的响应有限。这表明选择性导向的设计不仅需考虑对靶标的结合亲和力，还需考量与结构相似非靶标分子发生交叉反应的可能性。从该视角看，Douaki等的研究证明AI驱动的生物探针工程可超越以亲和力为中心的候选物发现，将实际传感器环境所需的选择性作为明确的设计变量纳入。但该研究中设计阶段考虑的阴性干扰物仅局限于DMA与TMA，未来研究应在设计阶段纳入更广泛的干扰分子，以提升复杂真实样品条件下的选择性。

2.3 AI设计的多肽探针与数据驱动的信号解读：AI辅助多肽筛选与伏安图分析

Garcia-Junior等报道了一种结合AI多肽受体设计与ML电化学信号解读的生物传感器平台，用于唾液样本中严重急性呼吸综合征冠状病毒2（SARS-CoV-2）的检测。多肽类生物受体可被设计为识别蛋白质靶标的结合位点，该研究将此概念应用于SARS-CoV-2刺突蛋白的受体结合域（RBD），通过基于代理辅助遗传算法的多肽评估与预测（SAGAPEP）平台筛选候选物，鉴定出Bio-Inspired Artificial Intelligence Peptide 1（BIAI1）。基于HPEPDOCK的分子对接结果表明，BIAI1可与RBD的关键氨基酸残基形成氢键与静电相互作用。研究人员将筛选得到的BIAI1功能化于罗丹明6G修饰的丝网印刷碳电极，作为电化学生物传感器的生物识别元件，通过CV分析病毒浓度变化引发的电化学信号改变。在系列稀释实验中，该传感器实现1.61×10⁴空斑形成单位（ffu）的LOD与4.89×10⁴ffu的LOQ。但在临床唾液样本中，仅基于峰电流的受试者工作特征（ROC）分析显示曲线下面积（AUC）为0.79，灵敏度与特异性约为70%。这一结果表明，在复杂唾液基质中，单一峰电流描述符可能不足以充分捕获诊断信息。为克服该局限，研究人员进一步引入ML信号解读作为互补下游策略，以提升BIAI功能化生物传感器在复杂唾液样本中的诊断分辨力。以伏安图数据为输入，比较多种ML算法后发现，基于原始还原曲线数据训练的神经网络模型性能最优，灵敏度、特异性与准确度均达90%。Shapley加性解释（SHAP）分析进一步确定还原峰附近的电位区域为主要判别特征，表明ML解读可利用单一电化学描述符难以捕捉的伏安图模式。综上，Garcia-Junior等的研究证明AI驱动的生物探针工程可拓展至多肽受体设计，而互补性整合ML信号解读可进一步提升复杂生物样本中的诊断分辨力。

综上所述，上述案例表明AI在生物探针发现中的作用已不再局限于减少候选数量的辅助角色，而是正向整合序列生成、结合预测、结构稳定性评估及选择性评价的统一设计流程拓展。在适配体设计中，可通过计算探索大规模序列空间，在实验验证前优先筛选有前景的候选物；基于smart-SELEX的方法通过同时考量靶标结合亲和力与潜在干扰分子交叉反应性，实现了更精细的选择性导向设计；在多肽受体设计中，AI候选物生成与ML电化学信号解读的关联，证明生物识别元件设计与传感器读出性能提升可作为连续问题协同解决。这些进展表明，生物探针工程已不能仅被理解为经验筛选与实验验证的重复过程，而是正向数据驱动的分子设计阶段转变，在此过程中序列、结构、结合特性及传感器适用性被统筹考量。不过当前多数研究仍基于有限的训练数据集与特定靶标类别，未来研究需将这些方法拓展至更广泛的分子群体与更复杂的样品环境。尽管如此，这些策略的重要意义在于将决定生物传感器性能关键的分子识别元件设计转化为更具预测性与可重复性的过程。值得注意的是，这些AI设计的生物探针并非生物传感器开发的终点，而是为后续传感器材料优化、器件结构设计、制备条件调控及信号转导过程优化提供了分子识别基础。

1. 3.
   AI辅助的传感器制备与结构优化
   完成AI辅助生物探针设计后，生物传感器开发的下一阶段是通过材料选择、结构设计、制备条件调控及信号解读，将分子识别转化为稳定且可测量的传感器响应。生物传感器性能并非仅由分子识别元件的结合亲和力决定，实际传感器响应是材料组成、表面结构、界面反应、信号传递路径及操作条件共同作用的结果，因此传感器制备与设计需被理解为涉及多交互变量的非线性优化问题。这种复杂性在不同平台中表现各异：在基于电极的电化学传感器中，金属组成与表面形态决定电荷转移与分析信号；在纸基微流控器件中，通道结构与操作条件决定信号强度与读出精度；在光学生物传感器中，结构参数与光学特性定义共振行为与灵敏度。尽管主导物理机制因平台而异，但共性在于传感器性能由多设计变量及其交互作用决定。AI与ML近期已成为定量解决这类多变量优化问题的关键工具：部分研究应用ML从电化学信号中提取重要特征以提升分析性能；另一些研究通过纸基微流控分析器件（μPAD）结构与操作条件的循环优化减少实验试错；在光学生物传感器领域，亦提出了通过ML快速预测原本需反复数值模拟的关键性能参数以加速设计的方法。这些趋势表明，AI已不再局限于简单的后处理步骤，而是日益将生物传感器制备、器件工程与信号解读连接为更连续、更具预测性的工作流程。

3.1 双金属电化学传感：AI辅助的多峰信号特征提取

在依赖金属离子络合作用的电化学传感器中，电极表面形成的金属层可在正电位下氧化为金属离子，生成的离子通过在电极-电解质界面与分析物形成络合物诱导特征氧化还原响应。基于该原理，Kaewket等提出了一种用于肌酐检测的双金属电化学传感器，采用Co@Cu/GC电极：首先在玻碳电极上电沉积铜纳米颗粒，随后依次沉积钴纳米颗粒。在足够正电位下，表面Cu与Co物种可分别氧化为Cu²⁺与Co²⁺，这些离子通过在电极表面附近与肌酐形成络合物产生电化学响应。Cu²⁺/肌酐体系与Co²⁺/肌酐体系的电化学与光谱电化学观察均支持肌酐与各金属物种的相互作用，且二者与肌酐的作用方式并不相同，而是在不同电位范围内提供互补的电化学响应。这种互补性体现在Co@Cu/GC传感器的电极水平响应中：裸GC对肌酐无 distinct 氧化还原峰，Cu/GC表现出铜-肌酐相关峰，Co/GC显示钴相关峰的变化；而Co@Cu/GC电极在肌酐存在时同时表现出铜与钴相关响应，部分信号较单一金属电极增强。这表明两种金属并非仅提供独立信号，而是可共同修饰局部电子环境与界面反应路径，产生比单金属系统信息更丰富的分析响应。这些电化学特征的形成亦受电极制备条件影响：在基于电极的电化学传感器中，金属组成、表面形态、颗粒分布及活性位点暴露程度共同影响电荷转移与分析信号，因此沉积条件不仅是制备变量，更是决定传感过程中氧化还原与络合物衍生信号强度与分布的 important 设计因素。在优化条件下，Co@Cu/GC电极表现出多个随肌酐浓度升高呈系统性变化的阴极峰。为明确原始伏安数据与ML分析的关联，研究人员标注代表性阴极峰用于特征提取，所得空白扣除后的峰电流呈现不同的浓度依赖性趋势，表明各峰包含部分 distinct 的分析信息。除单个峰高外，还计算了峰比值以捕捉氧化还原特征间的相对变化。

这些峰高与峰比值随后被用作随机森林回归的输入描述符。这种基于特征的策略不同于传统的单峰校准，因为模型可利用分布于多个电化学响应中的互补信息。在电化学传感器中，多特征组合比单一信号更能稳健地反映分析物浓度或化学状态，ML可作为定量解读此类复杂信号模式的有效工具。基于此，研究人员将峰高与峰比值定义为特征，通过比较随机森林回归中各特征的预测性能发现，包含峰比值的特征比单一峰电流更能有效预测肌酐浓度。CCo,1/C′Cu、C′Cu/CCu及C′Cu/ACu等比值描述符的测试R²高于大多数单个峰电流特征，测试均方根误差（RMSE）更低。这一结果可从比值特征的电化学意义解释：单一峰电流主要反映某一氧化还原过程的强度，而峰比值描述了双金属界面产生的两个电化学响应间的相对变化，因此可在保留铜与钴相关响应的浓度依赖性平衡的同时，部分补偿电极负载、活性表面积或总电流强度等常见信号变异。比值特征的更优性能表明，肌酐浓度更适合通过多个氧化还原信号的相对分布而非单一峰的绝对强度表征。研究人员随后将该多特征集作为输入，比较线性回归（LR）、支持向量机（SVM）、k近邻（kNN）、决策树（DT）、随机森林（RF）、极端随机树（ET）、梯度提升（GB）及极端梯度提升（XGB）等回归模型的性能，证实复杂伏安响应可有效用于肌酐浓度预测。

因此，该研究的意义在于通过双金属电极设计产生多个电化学信号，并通过ML信号解读将其转化为可定量解读的特征集，从而将电极设计与数据驱动分析整合为单一传感策略。这种方法的价值在于将电化学传感器的分析从以单峰为核心的框架拓展至可捕获易被忽略的互补信息的多特征表征。近期研究亦日益倾向于从电化学信号中提取特征并结合ML解读以提升分析性能，本案例可作为证明电极表面设计与信号解读并非独立步骤而是紧密关联问题的范例。

3.2 纸基微流控器件：AI驱动的多变量优化

在纸基微流控分析器件中，通道宽度、样品体积、反应时间等设计与操作变量直接决定信号强度与读出精度。Kangzheng Lv等未采用单变量调整策略，而是采用了融合计算机视觉、反向传播神经网络与遗传算法的循环优化策略。所提出的CNGCOS被构建为闭环框架，通过图像分析提取纸基比色信号，进而迭代调整μPAD的关键参数。

整体工作流程依次为样品引入、显色、图像采集、感兴趣区域选择、RGB通道提取、BP神经网络训练及遗传算法介导的循环优化，其意义在于尝试将μPAD制备从经验试错转向数据驱动的设计问题。与传统单因素优化（每次仅改变一个变量而固定其他变量）不同，该循环优化策略将血红蛋白（Hb）浓度、试纸条宽度、样品体积与反应时间视为耦合变量。这一点至关重要，因为当某一参数的效应依赖于其他参数取值时，序贯单因素测试可能需要多轮重复实验，且可能遗漏最优条件。研究人员将Hb浓度、试纸条宽度、样品体积与反应时间定义为输入变量，将色强度（CI）与比色距离（CD）设定为优化目标。输入变量的分布通过小提琴图与箱线图展示，表明Hb浓度、宽度、体积与时间均设计为在宽范围内变化。最大信息系数分析显示浓度与体积与输出信号强相关，而其他变量也与输出非独立。实践中，反向传播神经网络对比色距离与色强度的拟合性能均优于前馈神经网络。BPNN-CI与BPNN-CD模型的架构分别展示，且R²与平均绝对百分比误差（MAPE）随隐藏层数的变化表明，合适的网络深度对预测精度至关重要。这些结果表明μPAD性能并非由各变量的独立效应决定，而是多变量间非线性交互作用的结果，也说明仅对通道结构或操作条件进行单因素优化不足以解释信号生成的实际机制。由于某一变量的效应可能随其他变量条件变化，μPAD设计与操作需通过考量多变量交互作用而非单一变量调整来解决。从该视角看，基于BPNN的模型不仅作为预测工具，更是定量识别哪些输入变量组合主导比色响应并将该信息关联至后续优化步骤的核心框架。在实际操作中，该方法可减少试错：训练好的模型可在额外实验前预测候选参数组合的输出响应，而遗传算法引导搜索向设计空间中的有前景区域推进，无需依赖穷举或序贯手动测试。

随后将CNGCOS应用于实际μPAD优化。在基于Hb过氧化物酶样活性的比色检测系统中，反应示意图及血红素、四甲基联苯胺（TMB）、过氧化氢异丙苯（DIP）的吸收光谱阐明了系统的显色机制；pH值、DIP浓度、TMB浓度、通道宽度、反应时间等反应条件的影响表明输出信号对多变量条件敏感。这些结果也明确了传统单因素优化方法（SFOM）在此类μPAD设计中的局限性：SFOM逐一优化pH、试剂浓度、纸宽度与反应时间，虽使优化过程更易解释，但在变量交互时效率较低。相比之下，CNGCOS利用习得的多输入与输出信号间的关系更系统地评估参数组合。预测值与期望值比较及百分比误差分析证实所提模型整体维持稳定的预测性能，训练集、验证集、测试集及全数据集的回归结果亦显示强相关性。在此基础上，CNGCOS与实验的直接比较表明，优化条件产生了更强的色强度响应，且跨浓度的准确度保持稳定。尤其是CNGCOS与SFOM的校准曲线与参数比较显示，所提策略获得了更高的R²、更短的反应时间、更小的样品体积及更宽的有效工作范围。这些改进表明ML驱动的策略不仅复现了传统优化的结果，还通过识别有利条件减少了反复单变量筛选的依赖，提升了实验效率。在此案例中，AI的作用超越了辅助信号解读，可被理解为通过迭代更新μPAD的制备与操作条件以推导更优器件配置的核?设计框架。这些优势在真实临床样本中得以维持。

研究人员将CNGCOS辅助的μPAD应用于103份临床唾液样本的牙周炎早期检测。基于色强度的分析中，展示了CI相对于探诊出血百分比（BOP%）的整体分布，通过箱线图与相关性分析证实了阳性组与阴性组间的显著差异及强相关性；Bland-Altman分析显示了两种方法的一致性。对CD进行了同类分析，进一步验证了其与BOP%的相关性。ROC曲线显示色强度与比色距离均具有优异的诊断性能，混淆矩阵表明两种读出的灵敏度与特异性均较高。这些结果表明，优化阶段获得的变量组合不仅在实验室条件下有效，在真实唾液样本等复杂生物基质中亦可维持。色强度与比色距离均表现出一致的诊断性能，也提示该框架不过度依赖单一信号，而是提供了相对稳健的读出结构。在此案例中，ML不再是校正μPAD信号的辅助工具，而是成为连接器件参数优化与实际临床应用的核心优化框架。这些发现进一步表明，AI驱动的优化可将μPAD设计从实验探索转向数据驱动、可重复的设计过程。

3.3 光学生物传感器设计：AI介导的传感器参数代理预测

在光学生物传感器中，结构参数与光学响应直接决定共振行为与灵敏度，因此传感器设计需被理解为涉及多连续变量的参数预测问题。针对此点，Ahmed等提出了一种ML方法，以纤芯半径、包层半径、间距、分析物与波长为输入变量，预测有效折射率、功率分布、有效模场面积、限制损耗与灵敏度等关键光学参数。

图9展示了ML辅助的光子晶体光纤（PCF）生物传感器设计框架：传感器结构由填充分析物的传感纤芯及周围空气孔组成，分析物区域的折射率变化诱导输出光信号的共振偏移。将纤芯半径、空气孔半径、间距、分析物折射率与波长等结构与光学参数作为有限元法（FEM）数据集生成的输入变量，随后训练回归模型以预测有效折射率、限制损耗、有效模场面积与灵敏度等光学参数。这表明光学生物传感器设计可摆脱反复数值模拟，重构为捕捉关键设计变量与性能指标间关系的可学习问题。基于COMSOL仿真生成的数据集，研究人员比较了最小二乘、LASSO、弹性网络与贝叶斯岭回归，结果显示有效折射率预测中预测值与仿真值吻合度极高。

有效折射率首先作为ML辅助生物传感器预测的代表性光学描述符进行评估。在X实轴方向，实际值与预测值的直接比较显示所有模型均高度吻合，多数数据点紧密分布于对角线上；Y实轴方向亦观察到相同趋势，实际-预测比较的误差极小。事实上，对于有效折射率的实部，多数模型的R²高于0.99，最小二乘与贝叶斯岭回归的吻合度最高。这些结果表明，在拥有充足训练数据时，光学生物传感器的关键物理参数可通过近似获得而无需反复仿真。本研究的关键点在于预测不局限于单一光学参数，还延伸至实际传感性能指标。基于预测的有效折射率与功率分数，计算了灵敏度、限制损耗与纤芯功率分数等性能指标。在实际值与预测值的比较中，多数数据点分布于对角线附近，证明了功率分数预测的可靠性。这些结果表明，ML不仅作为快速拟合设计值的回归工具，更是近似支配光学生物传感器性能的更广泛物理量集合的代理预测框架。研究还考察了模型稳定性与数据质量的关系：随着训练数据量增加，模型整体性能提升；即使包含5%-10%异常值，灵敏度预测仍相对稳定。在代表性灵敏度分析中，无异常值、5%异常值与10%异常值条件下预测的灵敏度趋势均接近仿真结果。这些结果表明，ML介导的光学生物传感器设计不仅适用于理想仿真条件，在一定数据变异性下也可作为实用的预测工具；结构参数与光学响应间的关系并非仅拟合于特定数据集，在适度噪声与异常值存在下仍可保持相对稳定。因此，ML模型不仅可用于替代反复仿真结果，还可在设计早期快速筛选多样条件并识别有前景的结构候选物。该研究的意义在于阐明AI并非直接替代光学生物传感器的结构设计，而是作为关键的预测工具，补充或减少反复数值模拟，同时加速可行设计条件的探索。

综上所述，这些案例表明AI在不同传感器平台中扮演不同角色，包括复杂信号解读、制备条件优化及关键参数预测。这一趋势说明AI已超越简单的后处理工具，正在成为生物传感器制备与参数优化中设计与优化的核心手段。

1. 4.
   结论与展望
   AI的引入正推动生物传感器研究脱离传统将分子识别元件发现、传感器制备与信号解读视为独立阶段的模式。在生物识别阶段，计算机模拟适配体设计、smart-SELEX及生物启发多肽设计实现了靶标结合候选物的更系统化鉴定；在传感器制备与信号解读阶段，AI的应用范围已拓展至复杂电化学信号解读、μPAD循环优化及光学生物传感器参数预测。这些趋势表明AI正从简单的数据处理工具发展为提升生物传感器全流程设计与优化能力的方法。

这些进展使候选物发现与设计变量探索更具系统性，并能定量识别复杂信号中的隐藏模式及变量间关系，在降低重复实验与数值模拟依赖的同时，有望同步提升设计效率与分析性能。然而，在AI辅助生物传感器转化为广泛可靠的平台前，仍存在若干挑战。许多已报道的模型仍基于小规模实验数据集或理想化仿真数据训练，可能增加过拟合风险并限制泛化能力。因此，未来研究应更重视更大规模、更多样化的数据集构建，独立测试集的使用，真实生物或环境样本的体外验证，以及跨传感器批次、操作人员与测量条件的稳健性评估。此外，生物传感器响应易受非特异性绑定、基质效应、制备变异性、储存条件及环境变化影响，因此AI模型不应仅在优化实验室条件下评估，而需在实用应力测试条件下验证。

模型可解释性是另一重要议题。尽管SHAP分析等工具已开始用于识别重要输入变量，但可解释AI应更积极地融入临床生物传感器开发。可解释模型有助于厘清模型预测是否基于物理与生物学有意义的特征，而非数据集特异性伪影，从而降低误导性诊断输出的风险。因此，整合可解释AI、不确定性估计及机制知情建模，对于将预测结果与生物传感器响应的潜在理化与生物学过程关联具有重要价值。

AI引导制备的实际挑战依然存在。可靠制备数据集的构建需要系统化的实验设计、工艺参数的一致报告及足够的重复以捕捉批次间变异性。此外，由于材料、仪器、环境条件及制备方案的差异，某一实验室获得的优化结果可能无法直接迁移至其他实验室。为使AI引导制备具备可扩展性，未来研究需考量标准化数据集、可重复实验流程、跨实验室验证及与制造兼容的优化策略。

未来的AI辅助生物传感器开发应从孤立的单算法应用转向集成闭环工作流程。在此类流程中，分子设计结果可指导传感器制备，制备数据可更新优化模型，信号分析结果可反馈至下一轮设计周期。最终，AI介导的生物传感器研究的意义不仅在于自动化单个步骤，更在于通过将生物探针设计、制备优化与信号解读连接为单一数据驱动的开发工作流程，为生物传感器向更精准、可重复、可解释及自适应分析平台的演进奠定基础。