人工神经网络工程化高载流子迁移率单层石墨烯界面，用于临床前列腺特异性抗原检测的超高灵敏度场效应晶体管适配体传感器

《Biosensors and Bioelectronics》：Artificial Neural Network Engineering of High Carrier Mobility Single-Layer Graphene Interfaces for Ultrasensitive FET-Aptasensors in Clinical PSA Detection

　　

摘要

本工作引入了 Hummers 法的人工神经网络（ANN）优化（ANN-MHM），以实现用于超灵敏 FET 适体传感的高迁移率、单层还原氧化石墨烯（rGO）的确定性合成。ANN 指导的合成产生了具有大横向尺寸（2–4 μm）、单层厚度（～1.1 nm）和低缺陷密度（I_D/I_G = 0.99）的氧化石墨烯（GO），从而获得载流子迁移率为 317 cm²/V·s 的 rGO FET 沟道，比传统的 Hummers 衍生物膜高出近 30 倍。集成到前列腺特异性抗原（PSA）适体传感器中，该设备实现了双参数转换（ΔV_cnp 和 ΔI_ds/I_ds0），检测限为 1 pg/mL，生理 pH 下的动态范围为 1 pg/mL–10 ng/mL。人体血清血浆的临床验证显示与 ELISA 具有极好的一致性（R² = 0.99），而选择性测试（女性血浆中的胰蛋白酶、人缓激肽原释放酶 -2 (hK2)、牛血清白蛋白 (BSA)）证实了可忽略不计的脱靶响应。八个设备的可靠性分析（四个来自同一 GO 批次，四个来自独立合成批次）揭示了 6% 的传感器固有变化和仅 4% 的批次间变化，证明了 ANN 工程合成路线在规模化生产中的稳健性。制备的传感器在 5 °C 下存放三周后保留了 104-86% 的功能，证实了实际的存储稳定性。通过将机器学习与纳米电子生物传感相结合，本工作为下一代即时诊断建立了一条可重现且可扩展的路径。

引言

基于还原氧化石墨烯（rGO）的生物场效应晶体管（Bio-FETs）已成为用于癌症生物标志物超灵敏检测的主要电子传感平台（Dai et al. 2022; Song et al. 2026）。氧化石墨烯（GO）合成传统上由 Hummers 法（Hummers and Offeman 1958）及其后续改进——尤其是 Marcano 等人的改进方案（Marcano et al. 2010）所主导，仍然是基于石墨烯的纳米技术的基石。尽管经过数十年的改进，实现一致的材料质量仍然是一个巨大的挑战。氧化参数（如氧化剂浓度和反应温度）之间的相互作用，往往导致片层尺寸和缺陷密度存在显著的批次间差异。这些程序上的差异阻碍了基于 GO 的设备扩展性，并经常导致研究人员之间的结果冲突（Drewniak et al. 2024）。尽管最近在 Bio-FET 平台上报告的用于癌症生物标志物（如前列腺特异性抗原 (PSA)）检测的敏感性令人印象深刻，但实现一致的设备性能仍然是一个关键的瓶颈。正如高影响力评论中所强调的（Dai et al. 2022; Lei et al. 2022），基于石墨烯的系统特别容易受到合成诱导缺陷随机性的影响。传统的 Hummers 衍生的还原氧化石墨烯（rGO）经常遭受“可重复性危机”，载流子迁移率通常持续偏低（Dai et al. 2022; Wang et al. 2018）。这种缺乏确定性制造流程的情况需要一种智能、数据驱动框架来标准化材料质量，确保一致且高性能的传感界面。

为了从半经验优化向标准化制造协议过渡，我们在此实施了一个人工神经网络（ANN）框架。与材料优化并行，生物受体的选择对于临床可靠性同样至关重要。传统的基于抗体的 FET 经常表现出不稳定性和受损的存储可行性。通过用工程化适体替换不稳定的抗体受体——适体提供了更优的热稳定性、经济实惠的体外合成以及高的批次间可重复性（Salehirozveh et al. 2025），我们开发了一种协同传感架构。具体而言，我们开发了一个用于前列腺特异性抗原（PSA）的高性能 rGO-FET 传感平台，这是前列腺癌的主要临床生物标志物。本研究不再依赖传统的试错优化，而是在已发表的实验数据上训练了一个 ANN 模型，以建立智能的合成到传感器流程。通过在 GO 氧化阶段直接实施该框架，我们实现了对片层尺寸、缺陷密度和层结构的确定性控制，超越了传统的下游修正。据我们所知，这是 ANN 指导 rGO-FET 适体传感器设计和制造的第一个实例。所得的 rGO 界面具有大横向尺寸（2–4 μm）、一致的单层厚度（～1.1 nm）和远优于传统 Hummers 衍生物材料的载流子迁移率（～317 cm²/V·s），同时保持了约 5% 的极低批次间变化。这种优化后的 rGO 被集成到适配体功能化的 FET 中，用于前列腺特异性抗原（PSA）检测，作为生物医学概念验证。所得的适体传感器实现了双参数转换（ΔV_CNP 和 |ΔI_ds/I_ds|%），与 ELISA 一致（R² = 0.99），在人体血清中保持高选择性，并在存放三周后保留了 104-86% 的响应稳定性，确立了 ANN 指导的合成到传感器流程作为下一代即时诊断可扩展、临床可行的基础。

章节片段

材料、装置和测量

化学品、材料和装置在补充文件中详细描述（分别为 S1 节和 S2.1 节）。ANN 模型使用 MATLAB R2023b 设计，并按照补充文件中的详细描述进行训练（S2.2 节）。

GO 的 ANN 合成

GO 合成遵循从 69 项协议数据集优化的 ANN 预测参数；详细信息见补充材料（S2.2–S2.4 节，图 S1–S2 和表 S1–S2）。简而言之，石墨（2.4 g）和 NaNO₃（1.9 g）被

GO 的 ANN 优化合成

为了通过改进的 Hummers 法（MHM）优化氧化石墨烯合成，我们开发了一个多层感知器（MLP）网络。最终架构包含两个隐藏层（60 和 20 个神经元），是通过系统的网格搜索（1–3 层；10–80 个神经元）选定的。该模型在 69 项已发表的协议（表 S1）上训练，使用拉曼 D/G 位置和 XRD 层间距作为输入，预测 12 个关键合成参数。如图 S1 所示，网络采用了多输入，

结论

本工作建立了一种稳健且确定性的策略，通过 ANN 优化的 Hummers 方案工程化高迁移率石墨烯界面。通过减轻传统化学氧化的随机性，我们的机器学习框架实现了大面积、单层 rGO 的生产，载流子迁移率为 317 cm²/V·s——比标准的 Hummers 衍生物膜高出近 30 倍。这种增强的结构质量直接转化为卓越的分析性能

CRediT 作者贡献声明

Abdollah Noorbakhsh: 监督。Ehsan Semsar Parapari: 调查。Mona Saber Gharamaleki: 方法论。Parisa Dehghani: 方法论。Mostafa Salehirozveh: 写作 – 审查与编辑。Ensiyeh Sharifi: 写作 – 审查与编辑

利益冲突声明

? 作者声明他们没有已知的竞争财务利益或个人关系可能影响本文报告的工作。

致谢

这项工作得到了伊斯法罕大学的财务支持 [授予号26577/1403]。我们要感谢 Reza Hashemi 和 Peeyush Kumar 关于 FET 测量设置提出的有益建议

Mostafa Salehirozveh|Ensiyeh Sharifi|Parisa Dehghani|Ehsan Semsar Parapari|Mona Saber Gharamaleki|Abdollah Noorbakhsh

伊朗伊斯法罕大学化学系，伊斯法罕 81746-73441，伊朗