介电夹层增强表面等离子体共振生物传感器结合1D卷积神经网络代理模型用于癌症生物标志物、葡萄糖和低折射率分析物检测

《Frontiers in Physics》：Dielectric interlayer-enhanced surface plasmon resonance biosensor with 1D convolutional neural network surrogate modelling for cancer biomarker, glucose, and low refractive index analyte detection

　　

摘要
引言：基于Kretschmann配置的表面等离子体共振（SPR）生物传感器提供无标记、实时的分子相互作用检测，适用于癌症相关生物受体、葡萄糖和低折射率（RI）分析物。现有的介电增强SPR设计和机器学习优化研究通常作为独立课题进行，很少有框架将两种方法结合在单一多分析物平台中。
方法：研究人员设计了一种结合介电和二维纳米材料夹层的多层SPR生物传感器，采用BK-7棱镜、铜等离子体膜、氮化硅（Si₃N₄）、氧化锌（ZnO）、二硫化钼（MoS₂）和三氧化二铋（Bi₂O₃）覆盖层。使用传输矩阵法（TMM）和COMSOL Multiphysics中的有限元建模（FEM）评估光学响应。通过系统参数分析优化各层厚度。研究人员训练了一个一维卷积神经网络（1D CNN）代理模型，该模型基于FEM生成的参数扫描数据，以预测不同结构参数下的传感器光谱响应。使用决定系数、相对绝对误差、相对平方误差和对称平均绝对百分比误差评估模型性能。
结果与讨论：研究人员在三个折射率范围内评估了传感器：癌症相关生物受体（1.360–1.401 RIU）、葡萄糖溶液（1.335–1.347 RIU）和低RI化学分析物（1.29–1.38 RIU）。优化设计在癌症相关生物受体和葡萄糖检测中均实现了峰值角灵敏度1,100°/RIU，葡萄糖传感的最高品质因数为157.143 RIU^-1，低RI分析物的最大角灵敏度为550°/RIU。1D CNN代理模型在MoS₂厚度达约1.35 nm时决定系数大于0.994，在ZnO厚度1.5至6.0 nm之间大于0.961，在更高厚度时性能下降，归因于输出动态范围压缩。所提出的设计结合了数值电磁建模和机器学习，以加速基于SPR的生物传感应用的传感器优化。

表面等离子体共振（SPR）生物传感器基于Kretschmann配置，可实现无标记、实时的分子相互作用检测，广泛应用于癌症相关生物受体、葡萄糖和低折射率（RI）分析物。然而，现有研究通常将介电增强SPR设计与机器学习优化作为独立课题，缺乏将两者结合于单一多分析物平台的框架。为解决这一问题，研究人员提出了一种结合介电夹层和二维纳米材料的多层SPR生物传感器，并集成一维卷积神经网络（1D CNN）代理模型，以加速传感器优化并提升多分析物检测性能。

研究人员设计的多层结构包括BK-7棱镜、铜等离子体膜、氮化硅（Si₃N₄）、氧化锌（ZnO）、二硫化钼（MoS₂）和三氧化二铋（Bi₂O₃）覆盖层。通过系统参数优化，该传感器在癌症相关生物受体、葡萄糖和低RI分析物三个折射率范围内均实现了高灵敏度。研究还训练了1D CNN代理模型，基于有限元建模（FEM）生成的参数扫描数据预测传感器光谱响应，在特定厚度范围内表现出高精度。该研究将数值电磁建模与机器学习相结合，显著减少了参数优化所需的电磁仿真次数，为SPR生物传感器的快速设计提供了新途径。论文发表在《Frontiers in Physics》。

研究人员为开展研究采用了以下关键方法：使用传输矩阵法（TMM）和COMSOL Multiphysics中的有限元建模（FEM）进行电磁模拟，并通过系统参数分析优化各层厚度（Cu、Si₃N₄、ZnO、MoS₂）。基于FEM生成的参数扫描数据，训练了一维卷积神经网络（1D CNN）代理模型，采用决定系数（R²）、相对绝对误差（RAE）、相对平方误差（RSE）和对称平均绝对百分比误差（SMAPE）等指标评估模型性能。所有数据均来源于数值仿真，未涉及实验样本队列。

研究结果如下：

**Cancer detection performance analysis**：通过表1数据分析，在折射率1.360–1.401 RIU范围内，优化传感器实现了峰值角灵敏度1,100°/RIU，振幅灵敏度平均为1,684.2% ± 0.9%/RIU（十种材料配置）。检测限（DL）在n=1.381时达到最低0.001586，动态范围（DR）从56.349降至51.499，检测精度（DA）从0.556降至0.345，信噪比（SNR）从0.579降至0.379，品质因数（Q）从42.000降至30.241。

**Glucose detection performance analysis**：通过表2数据分析，在折射率1.335–1.347 RIU范围内，最大角灵敏度为1,100°/RIU（n=1.347），半峰全宽（FWHM）从3.5°增至7.0°，品质因数（FOM）最高达157.143 RIU^-1，检测限（DL）最低为0.007，Q因子从21.171降至10.871。

**Low refractive index analyte detection performance analysis**：通过表3数据分析，在折射率1.29–1.38 RIU范围内，角灵敏度从350°/RIU线性增至550°/RIU，FOM从63.636 RIU^-1增至77.465 RIU^-1，Q因子变化较小（约12–13），DL在n=1.35时最低为0.018，DR在n=1.36时最高为1.159。

**Performance evaluation of the 1D CNN model for behaviour prediction**：评估了1D CNN在不同层厚变化下的预测性能。

- **Performance under MoS₂ thickness variation**：MoS₂厚度从0.30 nm增至2.40 nm，R²在0.30–1.35 nm范围内大于0.994，在1.70 nm时降至0.989，2.40 nm时骤降至0.745，表明模型在厚度≤1.35 nm时可靠。

- **Performance under ZnO thickness variation**：ZnO厚度从1.5 nm增至10.5 nm，R²在1.5–6.0 nm范围内大于0.961，在7.5 nm时降至0.840，10.5 nm时变为负值（-0.378），表明模型在厚度≤6.0 nm时可靠。

- **Performance under Si₃N₄ thickness variation**：Si₃N₄厚度从0.60 nm增至2.35 nm，R²在0.60 nm时为0.988，1.10 nm时降至0.866，1.60 nm时仅0.035，2.35 nm时负值-1.749，RAE从1.21%升至274.88%，表明模型仅在厚度≤0.85 nm时可靠。

讨论部分指出，1D CNN代理模型在MoS₂厚度≤1.35 nm、ZnO厚度≤6.0 nm、Si₃N₄厚度≤0.85 nm范围内具有高精度，超出此范围性能下降，主要由于输出动态范围压缩。该研究为多分析物SPR传感器的优化提供了高效的数据驱动方法，但所有结果基于数值仿真，未经过实验验证。未来需通过实验制造和表征验证预测性能，并探索更广泛的二维材料和等离子体金属。

研究结论翻译如下：本研究提出了一种介电夹层增强的多层表面等离子体共振（SPR）生物传感器，通过电磁建模和深度学习代理模型优化，用于检测癌症相关生物受体、葡萄糖和低折射率分析物。所提出的Kretschmann配置由BK-7棱镜、铜等离子体膜以及ZnO、MoS₂、Bi₂O₃和Si₃N₄层组成。通过系统参数分析优化多层结构，优化配置在传感界面产生比参考单层SPR结构更强的电场约束。在癌症相关生物受体检测中，最大角灵敏度达到1,100°/RIU；葡萄糖检测中，最大角灵敏度为1,100°/RIU，品质因数达157.143 RIU^-1，检测限为0.007；低RI分析物检测中，角灵敏度从350°/RIU增至550°/RIU，品质因数从63.636 RIU^-1增至77.465 RIU^-1。1D CNN代理模型在MoS₂厚度≤1.35 nm时决定系数>0.994，ZnO厚度1.5–6.0 nm时>0.961。结果表明，传感器性能依赖于材料选择和层几何结构的联合优化。当前工作限于数值建模和机器学习分析，未来需通过实验制造和表征验证预测性能。