《Polymers》:Microplastic Identification Methods for Microfluidic Applications: Towards Rapid Detection in Aquatic Environments
海洋生态系统中微塑料(MPs)的不断积累构成了一场严重的环境危机。然而,当前的监测工作严重依赖于劳动密集型、易受污染且耗时的实验室分析。虽然这些传统的离芯片方法具有高准确性,但它们本质上缺乏连续实时海洋监测所需的通量和自主性。为了弥补这一技术差距,微流控技术(Lab-on-a-Chip)提供了一条可行的路径,朝向小型化、无试剂的现场检测,具有减少样品体积和连续操作能力。本综述审视了从实验室台到现场可部署平台的转变,并将现有的用于MP分析的微流控方法组织成一个结构化的概述。研究人员检查了芯片上的样品操作和辅助分离技术,如声泳(acoustophoresis)、介电泳(dielectrophoresis)和光镊(optical tweezers),这些技术对于从复杂环境基质中分离目标颗粒并克服微流控固有的挑战至关重要。在样品制备之后,研究人员提供了针对连续流检测优化的最先进光学和光谱识别方法的全面评估。最后,研究人员讨论了当前的分析局限性,并探讨了机器学习(machine learning)与动态光谱库(dynamic spectral libraries)的整合如何能够实现自主的、现场部署的长期MP监测网络。
**1. Introduction**
**1.1. Context and Relevance of MP Pollution**
大规模塑料生产自1950年代开始呈指数增长,海洋表面漂浮着超过250,000吨塑料,包含超过五万亿个碎片,尺寸从宏观塑料(>2.5 cm)到微塑料(MPs,1 μm–5 mm)。MPs来源于初级(up to 31%)和次级(up to 85%)途径,后者通过环境碎裂产生,降解过程缓慢且不可预测。MPs现已存在于几乎所有海洋和陆地生态系统,并通过食物链进入人体,包括海鲜、瓶装水、蔬菜等。人体暴露途径包括摄入、吸入、皮肤接触和胎盘转移,MPs可在器官中积累,引发氧化应激、内分泌干扰等毒性效应。此外,MPs表面形成的生物膜携带病原体和抗生素耐药菌,促进了这些微生物的远距离传播。
**1.2. Polymer Diversity and Distribution in Marine Ecosystems**
聚合物密度是决定MPs在海洋中垂直分布的主要因素,常见聚合物(如PP、PE、PS、PET、PVC)的密度范围从0.9 g/cm
3到1.4 g/cm
3以上。长期环境风化、生物污损和碎片化会改变颗粒密度,导致同一聚合物类型在不同海洋环境中出现。纤维是最丰富的形态,其次是碎片、薄膜、颗粒/珠粒和泡沫;颗粒尺寸方面,大多数现场研究使用≥300 μm网筛,导致小尺寸MPs被系统性低估。不同地区颜色分布各异,如加泰罗尼亚海岸以蓝色和透明为主,西太平洋则以白色、透明和绿色常见。欧洲地表水中PP、PE、PS、PET和PE纤维最为丰富,浓度范围0.1–600 particles·m
?3;西太平洋中PP和PE占主导,且2008–2018年期间MPs丰度显著增加。
**1.3. Laboratory vs. In Situ Analysis**
大多数MP研究依赖实验室分析,但样品转移过程中存在交叉污染风险,包括实验室试剂(如PE、PP、聚酯纤维)和过滤材料引入的MPs。现场分析直接与海洋环境交互,减少了外部变量干扰,降低了污染风险和成本,且无需昂贵的样品采集和运输。自主传感器(如卫星链路传感器和自主水下航行器)能够实现长期数据收集和三维水柱MPs分布测绘。
**2. Microfluidics**
**2.1. Challenges in Microfluidic Applications**
样品制备是MP识别流程中的通用步骤,旨在去除有机质和污染物,但可能损伤颗粒。微流控系统面临的关键挑战包括:通道污垢(fouling)影响准确性和重复性;从复杂环境样品中分离MPs;低浓度MPs需要预浓缩机制;颗粒需隔离和固定以进行单独分析;后续颗粒清除以防止交叉污染。长期运行稳定性受堵塞(clogging)和生物污损(biofouling)影响,需协调通道材料、表面化学和自动清洗方案。通道材料选择直接影响二次污染风险和光学检测兼容性:热塑性聚合物(如PMMA、PS、PC)和PDMS具有强自发荧光,会干扰拉曼(Raman)和荧光信号;硼硅酸盐玻璃和熔融石英因其优异光学传输和低背景荧光被视作黄金标准。
**2.2. Water Absorption Spectra**
在线分析(in-line analysis)中,水的分子键在近红外区域(如3400 cm
?1附近OH伸缩振动)产生强吸收峰,可能与MPs的光谱特征重叠。在微流控通道中,通过限制光路长度(<1 mm),可使用200–2000 nm波长,但超过2000 nm时衰减显著增大。
**2.3. Interfering Particles in Environmental Water Samples**
非塑料颗粒(如碳黑、天然纤维、纤维素、矿物颗粒)在环境样品中占15–30%,会干扰MPs的识别。碳黑在可见光和近红外区域吸收光,导致拉曼和傅里叶变换红外(FTIR)光谱中的信号重叠;纤维素颗粒在加拉帕戈斯群岛等区域与MPs共存;MPs与矿物颗粒的聚集增加了有效密度,加速沉降。这些干扰物需要通过化学消解和光谱验证来最小化误报。
**2.4. Particle Counting, Sorting and Detection Techniques**
**2.4.1. Electrical Impedance Spectroscopy**
电阻抗谱(EIS)通过测量不同频率下样品的阻抗,提供颗粒尺寸、形态和材料特性信息。该方法设备简单、成本低,且不易与有机物误识别,但可能将气泡误判为塑料,且区分不同聚合物的灵敏度不如拉曼或FTIR。Colson和Michel的研究中,对300–1000 μm颗粒回收率>90%,但对212–250 μm颗粒回收率减半,通过增加电极可改善。
**2.4.2. Resistive Pulse Sensor**
电阻脉冲传感器(RPS,即库尔特计数器)通过测量颗粒通过通道时引起的电阻变化进行计数和尺寸测量。Pollard等成功检测到2–30 μm的PS颗粒,最低检测浓度为14 particles·mL
?1。
**2.4.3. Acoustophoresis**
声泳利用声压操纵颗粒运动,包括体声波(BAW)、表面声驻波(SASW)和声行波(ATW)。BAW通过压电换能器(PZT)产生驻波场,根据声对比因子(ACF)分离颗粒。Akiyama等实现了15 μm PS球和200 μm PA/PET纤维在玻璃微通道中的声泳聚焦,但面对异质混合物或高有机物样品时存在挑战。
**2.4.4. Dielectrophoresis**
介电泳(DEP)利用非均匀电场分离可极化颗粒,无需预处理,且不受生物膜颗粒影响,可区分MPs与天然颗粒,并可能按聚合物类型分选。但DEP本身不提供化学识别,需与下游光谱方法结合。
**2.4.5. Optical Tweezers**
光镊(OT)通过高度聚焦激光束产生梯度力,实现对透明颗粒的接触式操控和固定,避免污染。常用于与拉曼光谱结合,可识别亚20 μm MPs和纳米塑料(NPs),如Xu等成功在真实淡水样品中捕获并识别MPs,Ripken等在海水基质中实现可靠识别。Kazemi等发现PP颗粒捕获稳定性最高,而PET颗粒(>10 μm)较难维持。
**2.4.6. Field-Flow Fractionation**
场流分馏(FFF)利用垂直于流动的场(重力、离心或交叉流)驱动颗粒向通道壁,实现基于尺寸的分离:大颗粒靠近壁面(流速慢),小颗粒处于高处(流速快),从而按时间顺序流出。
**3. Identification Methods**
**3.1. Fluorescence**
荧光检测利用激发光源照射样品,发射Stokes位移光。不同聚合物具有不同自发荧光特性:PE和PP背景荧光低,而PS、PET、PC、PMMA在400–550 nm呈现强蓝绿色自发荧光。环境风化和添加剂会增强此效应。尼罗红(Nile Red)染色是常用方法,选择性结合塑料表面,使聚烯烃(PE、PP)发射黄橙色荧光(580–620 nm),极性聚合物(PS、PET、PUR)发射更深红色(640–660 nm)。但残留有机物可能导致假阳性,需充分消解。激光诱导荧光(LIF)使用单色激光激发,提高信噪比,结合机器学习可实现>97%的分类准确率。荧光寿命成像(FLIM)通过时间分辨产生指纹图谱,显著降低生物材料引起的假阳性。
**3.2. Infrared-Based Techniques**
**3.2.1. Attenuated Total Reflection**
红外光谱(IR)中的衰减全反射(ATR)通过将高折射率晶体与样品接触,利用倏逝波穿透样品表面(1–5 μm),有效避开水的强吸收。ATR-FTIR可用于微流控流体的实时化学表征,如Pousti等实现细菌生物膜的高分辨率分析,Liu等利用大面积ATR(LAATR)结合锗晶体检测到1.3 μm的MPs,提高了空间分辨率。激光直接红外(LDIR)结合量子级联激光器与焦平面阵列检测,实现快速化学映射,适用于大量环境样品。
**3.2.2. Optical Photothermal Infrared Spectroscopy**
光学光热红外(OPTIR)利用脉冲红外泵浦光束与可见光探针光束,通过检测热弹性膨胀引起的反射/透射变化,突破衍射极限,实现纳米级空间分辨率。可解析2 μm宽纤维和5 μm颗粒,并在哺乳动物组织中检测到200 nm纳米塑料,与拉曼结合可识别0.8 μm大气颗粒。
**3.2.3. Hyperspectral Imaging**
高光谱成像(HSI)捕获三维数据立方体(x, y, λ),每个像素包含完整光谱特征,可实现高分辨率化学区分。近红外(NIR)HSI系统可获取五种聚合物的反射光谱,用于识别和分类。
**3.3. Raman Spectroscopy**
**3.3.1. Shifted Excitation Raman Difference Spectroscopy**
拉曼光谱对水不敏感,适合水样分析,但易受荧光干扰。移激发拉曼差谱(SERDS)通过使用两个略微偏移的激发波长获取谱图并做差,有效消除荧光背景,保留拉曼特征。
**3.3.2. Surface-Enhanced Raman Spectroscopy**
表面增强拉曼散射(SERS)利用金属纳米结构(如Au、Ag)的局域表面等离子体共振(LSPR),将拉曼信号增强10
6–10
11倍,可检测低浓度MPs。Chaisrikhwun等实现0.1 μg·mL
?1 PS纳米塑料检测,Caldwell等对33 nm PS和36 nm PET的检测限分别为1.25和5 μg·mL
?1。
**3.3.3. Tip-Enhanced Raman Spectroscopy**
尖端增强拉曼散射(TERS)使用金属涂层尖端,产生纳米级电磁场增强,实现亚衍射极限空间分辨率和化学成像,但尖端退化问题限制了其应用。
**3.3.4. Coherent Anti-Stokes Raman Scattering**
相干反斯托克斯拉曼散射(CARS)是非线性光学技术,信号强度比自发拉曼高10
3–10
5倍,无荧光背景,适合连续流检测。多模态CARS结合双光子激发自发荧光(TPEAF)可快速识别和分类MPs与有机颗粒,无需分离或预处理。
**3.3.5. Raman Comparative Analysis and In Situ Viability**
拉曼在水环境中具有优势,但直接现场应用受限于低信噪比和环境背景干扰,需通过上游微流控操作(如声学或光捕获)固定颗粒。与荧光抑制技术(如NIR激发、SERDS)结合后,μ-Raman成为强大的识别工具,而CARS和SERS目前仍属实验室基准,尚未实现现场部署。
**4. Data Analysis and Machine Learning Approaches**
**4.1. Principal Component Analysis and Linear Discriminant Analysis**
主成分分析(PCA)用于降维,将高维光谱投影到少数主成分(PCs)上,提高计算效率。线性判别分析(LDA)则利用类标签最大化类间分离和最小化类内散度。PCA+LDA组合在μ-Raman中实现>98%分类准确率,但PCA分量无直接光谱意义,LDA假设多元正态分布,可能不适用于非高斯环境样品。
**4.2. Random Decision Forest**
随机决策森林(RDF)通过集成多棵决策树实现高吞吐量分类,适用于μ-FTIR成像,可在一分钟内完成百万光谱的分类。结合PCA和激光诱导荧光(LIF)时,RDF对海洋MPs的组成识别准确率达99.7%,且能处理严重重叠的荧光信号。但模型解释性差,难以识别驱动分类的特定光谱特征。
**4.3. K-Nearest Neighbor**
K近邻(KNN)基于特征空间中最近邻的多数类进行非参数分类,适用于低维特征空间。在EIS研究中,KNN在纯水和复杂基质中分别达到86.6%和89.2%准确率,优于SVM。但在高维光谱数据中,距离计算成本高,限制了其在大面积映射中的应用。
**4.4. Support Vector Machine**
支持向量机(SVM)通过最大化分类间隔构建最优超平面,核函数可处理非线性可分问题。在μ-Raman中,SVM性能低于CNN,在LIF中两步机器学习方法(先区分MPs与有机物,再识别聚合物类型)实现了97.6%和88.3%准确率。
**4.5. Artificial and Convolutional Neural Networks**
人工神经网络(ANN)和卷积神经网络(CNN)直接从原始数据学习特征,1D-CNN在FTIR和μ-Raman中表现优异,对老化MPs准确率达100%(CNN vs. 80% DNN, 60% RF)。在微流控拉曼中,CNN对11种聚合物平均准确率93%,AUC 98%。混合方法(如MLP预筛选加专家验证)也取得高精度。迁移学习可解决标记数据稀缺问题。但神经网络需要大量训练数据和计算资源,且模型可解释性有限。实践中常采用混合方法结合降维和鲁棒分类。
**5. Conclusions**
MPs在环境中长期存在,对公共健康和环境构成严重威胁。尽管发达国家正采取措施减少塑料污染,但发展中国家仍依赖塑料产业。开发现场MPs识别方法和建立连续监测网络至关重要。微流控(LOC)设备减少试剂消耗、仪器体积和操作成本,适用于长期部署。模块化LOC设计利于更换通道以缓解污垢。无需试剂和荧光标记的直接光谱方法(如拉曼和FTIR)更适合现场监测。实验室方法在环境样品中可能表现不佳,因风化、生物污损等改变颗粒光学和物理化学性质。拉曼和FTIR各有优劣:FTIR吞吐量快但检测限高(~50 μm),拉曼空间分辨率高(<1 μm)但受荧光干扰,推荐结合使用。扩展光谱库以包含老化、生物污损和添加剂丰富的MPs参考光谱,并结合机器学习分类器,可提高识别准确性。微型化可降低运营成本,有助于长期现场监测网络建设。