在可持续能源和化学生产领域，将难溶性气体通过微生物、酶或其工程改造后的微生物转化为燃料和高附加值化学产品的生物转化过程受到了广泛关注[1], [2], [3], [4], [5], [6], [7], [8], [9], [10], [11], [12], [13], [14], [15], [16], [17], [18], [19], [20], [21], [22], [23], [24], [25], [26]。例如，利用
Clostridium autoethanogenum或甲烷单加氧酶[12], [13], [14], [15], [16], [17], [23]，不仅可以从一氧化碳（CO）或甲烷中生产出甲醇和乙醇等醇类物质，
C. ljungdahlii或
Methylomicrobium buryatense还能将这些气体转化为乙酸和乳酸[17], [25]。此外，经过代谢工程改造的
大肠杆菌还可以从甲烷中生产丙烯酸、甲基丙烯酸和丙烯腈[13], [14]。最近，这些转化技术已经得到了规模化和应用，用于工业生物制造[4], [5], [12], [13], [14]。
对这些生物转化过程中溶解气体分子浓度的实时精确监测对于发现和优化具有更好催化性能的微生物和酶至关重要，同时也对大规模生产过程中的转化操作和优化具有重要意义[10], [20], [21], [22]。例如，在生物转化过程中需要密切控制溶解CO的浓度，因为过高的CO浓度可能会产生细胞毒性，而溶解CO不足则可能限制底物的供应并降低转化效率[27], [28]。然而，迄今为止，这种监测主要依赖于反复进行外部采样，然后通过离体色谱分析来确定浓度[10], [21], [22], [23]。例如，要估计水相中溶解CO的浓度，首先需要通过对气液反应器顶部空间进行采样并随后进行气相色谱分析来测定气相中的CO含量，再利用亨利定律和热力学平衡间接计算水相中的CO浓度。但是，多次采样增加了微生物污染的风险，可能导致转化过程失败[29], [30], [31], [32]。此外，由于传统方法的灵敏度较低且难溶性气体的扩散速率较慢，无法有效捕捉溶解气体浓度的非平衡动态变化，而这正是生物气体转化的关键特征，从而阻碍了对气液反应器中转化过程的及时控制。显然，开发一种直接从水相中检测溶解气体的光学方法将是解决这些问题的关键。但由于反应器内存在微生物、微小气泡以及搅拌器产生的三相混合现象（见表S1），这一任务具有挑战性。
在这里，我们报告了利用多功能流控装置和等离子体检测技术结合机器学习方法，在-liter规模的气液反应器中实现的对CO生物转化过程的选择性和高灵敏度实时监测。在典型的难溶性气体生物转化过程中，通过喷射器不断向水相转化介质中引入微小气泡以增加气体溶解度，同时通过搅拌器对包含微生物或酶的转化介质进行持续强烈的搅拌（图1）。在这种三相混合的流体动力学条件下，直接实现对生物气体转化的选择性和高灵敏度等离子体检测的成功依赖于克服几个关键技术挑战。首先，（1）即使在搅拌器产生的高剪切应力下，也需要避免等离子体纳米颗粒的光学拉曼报告分子脱落，因为这会极大地降低检测的准确性（包括灵敏度）；其次，微小气泡不能与纳米颗粒接触，因为它们会阻碍目标分子到达纳米颗粒表面，从而影响增强后的拉曼信号传递到光谱仪；最后，必须从测得的复杂拉曼信号中精确且选择性地提取溶解分子的浓度，因为水相中的生物物质（包括微生物和酶）在目标分子附近的指纹区域存在重叠的拉曼峰。
为了解决这些技术挑战，我们设计了小型多功能流控装置，这种装置不仅能够保护纳米颗粒免受高剪切力的影响，还能避免气泡与纳米颗粒的直接接触。此外，该流控装置的形状和周期性孔结构允许溶解分子自由扩散到纳米颗粒，不会受到质量传递的限制。我们应用机器学习技术，从liter规模气液反应器中测得的复杂拉曼信号准确、灵敏地确定溶解CO的浓度，并直接捕捉其非平衡变化。
