《Bioresource Technology》：Deep learning-enabled real-time acoustofluidic sorting for selective microalgae recovery under wastewater-relevant heterogeneous conditions
编辑推荐：
•开发了一种用于选择性微藻回收的智能声流体系统。•在连续流废水条件下进行实时图像引导分选。•深度学习提高了微藻与干扰颗粒的区分能力。•同步实时驱动的全程响应延迟为 9.8 毫秒。•在保持活力的同时，雨生红球藻的纯度从 68.5% 提高到了 96.6%。引言随着全球水资源短缺和
- •
开发了一种用于选择性微藻回收的智能声流体系统。
- •
在连续流废水条件下进行实时图像引导分选。
- •
深度学习提高了微藻与干扰颗粒的区分能力。
- •
同步实时驱动的全程响应延迟为 9.8 毫秒。
- •
在保持活力的同时，雨生红球藻的纯度从 68.5% 提高到了 96.6%。
引言
随着全球水资源短缺和气候变化危机的加剧，传统的废水处理方法正在经历范式转变，从简单的污染物去除转向同时回收资源和能源（Nishshanka 等，2021）。在此背景下，培养光合微藻以进行高级废水净化已作为一种高潜力、负碳的途径出现。微藻有效地同化了废水中的氮和磷营养物质，同时通过光合作用固定二氧化碳（You 等，2022；Jalalah 等，2025）。在各种候选者中，雨生红球藻（H. pluvialis）因其独特的积累虾青素的代谢能力而备受重视，能够实现营养物质的价值转化和高附加值生物质的生产（Oslan 等，2021a；Yu 等，2021；Yu 等，2025；Ren 等，2025）。然而，在开放或非无菌废水环境中维持单种培养物的长期稳定性仍然具有挑战性。由于其缓慢的生长动力学和对环境波动的敏感性，雨生红球藻极易受到无处不在的快速生长入侵微藻的竞争（Zhou 等，2025）。在富营养化废水中，入侵物种如小球藻往往表现出更高的比生长速率（Wen 等，2020），导致竞争排斥和目标种群的急剧下降。这种种间污染改变了收获的生化成分，降低了虾青素的纯度，并限制了下游产品的标准化（Li 等，2011；Molina 等，2019；Maltsev 等，2021）。因此，对目标藻细胞的精确识别和选择性分选是可靠资源回收的关键前提。图 1..
现有的工业规模收获技术，如离心、絮凝和过滤，主要依赖宏观尺度的物理化学性质（例如密度和平均尺寸），并作为非选择性固 - 液分离过程运行（Singh 和 Patidar，2018）。由于早期雨生红球藻细胞和入侵小球藻在尺寸上显著重叠，这些宏观方法无法在单细胞水平上分离混合物种，限制了资源回收效率（Li 等，2026）。为了提高分选精度，微流控平台已被开发用于精确的微观生物分析和流体操作（Di Carlo，2009；Liu 等，2017；Sheybanikashani 等，2026）。被动微流控分选技术，如确定性横向位移（DLD）和惯性聚焦，提供高吞吐量但受限于预设的通道几何形状，难以应对微藻在不同生长阶段的形态异质性（Bhagat 等，2008；Ye 等，2024）。利用电场或磁场的主动分选方法提供动态控制，但面临生物相容性瓶颈；介电泳（DEP）引起的强电场会对脆弱的细胞膜造成不可逆的热损伤，而磁分选需要侵入性免疫标记，可能会掩盖细胞的生理状态（Pamme，2006；Khan 等，2026）。相比之下，声流体技术——以其非接触、低功耗和生物相容性为特征——已成为无损细胞操作的首选解决方案（Mutafopulos 等，2019；Liu 等，2022；Mesquita 等，2024）。然而，传统声学分选严重依赖尺寸、密度和可压缩性（Ma 等，2026）。当目标微藻和入侵物种表现出重叠的物理特征时，仅基于声辐射力差异的分选选择性仍然不足（Oslan 等，2021b；Nawaz 等，2023）。
为了提高区分鲁棒性，图像衍生的表型特征越来越多地与微流控技术集成（Lu 等，2023）。显微图像捕捉高分辨率的形态细节，能够构建多维表型指纹（Khan 等，2026）。然而，在高速连续流环境中，流体剪切应力、通道壁折射和运动模糊导致严重的光学伪影和边界退化。传统的计算机视觉方法（例如 Otsu 阈值化和 Canny 边缘检测）无法将真实的细胞边界与这些伪影解耦，导致错误的分选信号（Otsu，1979；Canny，1986；Vincent 和 Soille，1991）。尽管深度学习模型改进了微观分析，但标准网络在高速流中仍面临瓶颈，例如丢失微尺度目标的弱梯度并无法重建模糊边界（Xing 等，2026；Wu 等，2026；Mengü? 等，2026）。此外，实现基于图像的决策与瞬态声学驱动之间的实时同步是一个持续的挑战。
为了解决这些局限性，本研究提出了一种实时视觉感知驱动的声流控分选策略，用于选择性回收目标生物质。本工作的目的是评估在废水相关的异质条件下，从包含形态重叠物种的受控悬浮液中选择性富集目标微藻细胞。我们系统地研究了计算感知和声流控控制如何共同影响连续流条件下的分选精度和响应时间。这项工作对测试连续流条件下的分类鲁棒性、分选性能和响应延迟进行了定量评估，为测试条件下的智能生物资源回收建立了基准。
章节摘要
材料与微流控器件制造
声流体微流控器件由两个主要部分组成：聚二甲基硅氧烷（PDMS）微通道层和图案化有聚焦叉指换能器（FIDT）的压电基底。PDMS 微通道层是使用标准软光刻技术制造的。简而言之，计算机设计的微通道结构使用紫外无掩模光刻系统（TuoTuo Technology, TTT-07-UV Litho-ACA）图案化到硅晶片上，使用 SU-8 负性
声流控分选机制的数值表征
为了阐明声流控分选平台内粒子偏转的物理机制，采用多物理场有限元模型来表征聚焦声场、二次声流以及由此产生的粒子输运行为。
图 3a 展示了具有 30°孔径角的聚焦叉指换能器（FIDT）产生的表面位移分布。由于换能器的几何聚焦效应，表面声波
结论
总之，开发并评估了一种深度学习启用的实时声流控分选系统，用于在废水相关的异质条件下选择性回收微藻。实验室模型由目标雨生红球藻和共存非目标小球藻的受控混合物组成，以及制备悬浮液中观察到的一小部分颗粒碎片和未分类物体。该模型整合了选定的生物、形态和颗粒
CRediT 作者贡献声明
李子涵: 写作 - 初稿，可视化，验证，软件，方法论，调查，概念化。 蒋先: 可视化，验证，软件，方法论，概念化。 龚文泽: 可视化，方法论，形式分析，数据整理。 唐奥阳: 方法论，调查，数据整理，概念化。 马燕: 监督，资源。 杜霞: 验证，资源。 谢亚平: 监督，资源。 施铁林: 监督，资源，形式
竞争利益声明
作者声明，他们没有任何已知的竞争财务利益或个人关系可能影响本文中报告的工作。
致谢
这项工作得到了 中国湖北省国际科学技术联合研究项目（项目编号：2024EHA007）、湖北省科技创新人才计划（项目编号：2023DJC048）的支持。
李子涵 | 蒋先 | 龚文泽 | 唐奥阳 | 马燕 | 杜霞 | 谢亚平 | 施铁林 | 刘智勇 | 廖光兰 | 聂磊
