《Next Materials》：Machine learning–enhanced optical biosensors: Advanced modelling, signal intelligence, and next-generation surface plasmon resonance platforms
编辑推荐：
机器学习与光学生物传感相结合，已发展出先进的光学传感器，这些传感器在生物医学、环境和医疗保健应用中展现出对超低浓度生物和化学分析物进行实时检测的强大能力。在各种光学传感技术中，基于表面等离子体共振(SPR)的生物传感器因其无标记检测、快速响应以及对折射率变化的
机器学习与光学生物传感相结合，已发展出先进的光学传感器，这些传感器在生物医学、环境和医疗保健应用中展现出对超低浓度生物和化学分析物进行实时检测的强大能力。在各种光学传感技术中，基于表面等离子体共振(SPR)的生物传感器因其无标记检测、快速响应以及对折射率变化的高灵敏度而备受关注。本文旨在对机器学习支持的光学生物传感器进展进行批判性综述，特别关注先进建模方法的选择与应用、智能信号处理的最新发展以及下一代SPR传感平台。研究讨论了光学生物传感的基础：SPR理论以及灵敏度、分辨率、品质因数(FOM)和检测限(LOD)等重要性能参数。此外，研究人员综述了用于特征提取、信号去噪、生物标志物检测和传感器优化的监督学习、无监督学习和深度学习算法。研究还强调了新兴趋势，即物联网(IoT)赋能的生物传感器、光子晶体传感器以及面向下一代智能医疗保健系统的可解释人工智能(XAI)。
光学生物传感与表面等离子体共振基础
光学生物传感机制原理
光学生物传感器是将生物相互作用转化为可测量光学信号的分析装置。这些传感器由三个关键部分组成：生物识别元件、换能器和信号处理系统。生物识别元件选择性地与目标分析物（如蛋白质、DNA或病原体）相互作用，而换能器将此相互作用转化为光学信号，通常是强度、波长、相位或偏振的变化。光学生物传感的基本原理基于电磁波与物质的相互作用，分析物的存在引起传感器表面附近的折射率变化，从而产生可测量的光学变化。倏逝波传感是光学生物传感器中的常见机制，基于光在界面处的全内反射，产生穿透相邻介质短距离（约200 nm）的倏逝场。该场对分子结合事件引起的折射率变化极为敏感。此外，基于吸收的机制利用分析物分子对特定波长光的吸收特性，而荧光机制则依赖标记荧光团的发射。干涉测量方法（如马赫-曾德尔干涉仪）利用折射率变化引起的相位差实现高精度检测。光子晶体生物传感器利用周期性介电结构控制和束缚光，具有高灵敏度、实时监测、无标记检测和平台小型化等优势。
表面等离子体共振(SPR)：理论与构型
表面等离子体共振(SPR)是一种基于光与金属-介电质界面自由电子相互作用的高灵敏度光学传感技术。当偏振光以特定角度和波长照射薄金属膜（通常为金或银）时，可激发传导电子的集体振荡，即表面等离子体。最常见的SPR构型是Kretschmann构型，光通过高折射率棱镜入射并照射薄金属层，在特定共振角处，能量从光转移到表面等离子体，反射光强度出现急剧下降。该共振角对金属表面附近的折射率变化高度敏感。表面等离子体在金属与介电质界面传播，其电磁场沿垂直于表面的方向指数衰减，产生与表面数百纳米内分子相互作用的倏逝场。分析物结合引起的局部折射率变化导致共振角或波长移动，可实时监测并量化分析物浓度。SPR传感器可采用多种构型，包括棱镜型、光纤型和光栅耦合型。光纤SPR传感器具有紧凑和远程传感能力，而光栅型传感器无需棱镜。通过集成纳米材料、多层结构和混合传感平台，SPR传感器的性能得到进一步提升，能够检测超低水平的生物分子。机器学习方法在提升光子晶体光纤(PCF)-SPR生物传感器性能方面发挥了重要作用，通过学习传感器设计参数与传感性能指标之间的复杂非线性关系，实现灵敏度的提高和检测限的降低。
性能指标：灵敏度、分辨率、品质因数(FOM)和检测限
光学生物传感器的各项性能参数包括灵敏度、分辨率、品质因数(FOM)和检测限(LOD)。灵敏度定义为传感器输出随分析物浓度或折射率单位变化的变化量，SPR传感器的灵敏度通常表示为每折射率单位(RIU)的共振角或波长位移。分辨率是传感器信号可检测的最小变化，受系统噪声和测量精度影响。品质因数(FOM)是结合灵敏度和分辨率的综合参数，定义为灵敏度与共振曲线半高全宽(FWHM)之比，较高的FOM对应更尖锐的共振峰和更好的检测精度。检测限(LOD)是传感器能够可靠检测的最低分析物浓度，取决于灵敏度、噪声水平和系统稳定性。先进的SPR传感器已实现10??至10?1? RIU范围的检测限。当前研究重点包括通过纳米结构材料、多层结构和基于机器学习的优化方法来改进这些性能指标。
光学生物传感器系统的机器学习基础
监督学习、无监督学习和深度学习算法
机器学习(ML)技术为光学生物传感引入了智能信号解释、噪声抑制和预测建模能力。高维、非线性的生物传感器信号非常适合应用ML算法来识别有用模式。传统机器学习算法包括支持向量机(SVM)、随机森林(RF)和人工神经网络(ANN)等，计算成本较低。深度学习模型包括卷积神经网络(CNN)、物理信息神经网络(PINN)和Transformer类架构，通常包含数百万个可训练参数，需要更多训练时间、更大内存容量以及GPU或TPU等硬件加速器。模型压缩、迁移学习、边缘AI和轻量级神经网络架构是降低计算成本同时保持良好传感性能的主要研究方向。
监督学习在标记数据上训练模型，输入特征和对应输出已知，用于分类（如生物标志物存在与否）和回归（如浓度水平）任务。典型算法包括SVM、RF、k近邻(k-NN)和ANN。数学上，监督学习旨在估计映射函数y=f(x;θ)，其中x是输入特征（SPR信号），y是输出（分析物浓度），θ是训练期间优化的模型参数。无监督学习应用于未标记数据，寻找隐藏结构或模式。聚类（如k-means、层次聚类）和降维（如主成分分析(PCA)、t-SNE）是常用方法。PCA将高维生物传感器数据变换为低维表示Z=XW，其中X是原始数据矩阵，W是主成分矩阵，可减少噪声并放大最显著成分。深度学习是机器学习的子领域，基于多层神经网络构建复杂的非线性关系。深度神经网络(DNN)、CNN和循环神经网络(RNN)在生物传感器信号分析中表现出色。CNN适合光谱或图像类生物传感器数据，RNN适合处理时间序列信号。深度学习模型可自动从原始数据中学习特征表示，无需手动特征提取。
特征提取、降维与噪声抑制
光学生物传感器信号通常具有噪声、冗余和高维特性，因此特征提取、降维和噪声抑制是ML生物传感系统中的重要预处理步骤。特征提取是从原始传感器数据中识别信息特征的过程，SPR生物传感器的特征包括共振角位移、强度变化、光谱峰和时间响应模式。特征提取技术分为时域、频域和统计方法。时域特征包括峰值、上升时间、衰减时间；频域特征包括傅里叶系数；统计属性包括均值、方差、偏度。小波变换可对生物传感器信号进行多分辨率分析，同时捕获时间和频率信息。
降维旨在减少特征数量同时保留关键信息。常用技术包括PCA、线性判别分析(LDA)和自编码器。PCA通过投影到最大化方差的正交分量来降低维度，数学上PCA是求解特征值问题Cov(X)w=λw，其中Cov(X)是协方差矩阵，w是特征向量，λ是特征值。LDA最大化类间可分性，适合分类任务。自编码器是一种学习将数据压缩为低维表示的神经网络。噪声抑制是另一个关键预处理步骤，传统滤波技术包括移动平均滤波器、Savitzky-Golay滤波器和卡尔曼滤波器。基于机器学习的去噪方法（如卷积自编码器和深度神经网络）在去噪的同时保持重要信号信息。基线校正技术用于校正因温度变化和仪器不稳定性引起的信号漂移。
模型训练、验证策略与性能评估
将机器学习应用于光学生物传感器系统（如SPR信号）需要稳健的训练、验证和评估算法。模型训练的目标是充分表征输入特征（如共振角位移、光谱强度变化或时间信号响应）与目标输出（如分析物浓度或分类标签）之间的映射关系，通过最小化损失函数来实现。优化过程涉及选择适当的优化算法、学习率和正则化策略以防止过拟合。模型验证通常采用交叉验证方法，将数据集划分为训练集和验证集，评估模型的泛化能力。性能评估指标包括准确率、精确率、召回率、F1分数、均方根误差(RMSE)和决定系数(R2)等，具体取决于任务是分类还是回归。在光学生物传感器应用中，模型的鲁棒性和可解释性同样重要，可解释人工智能(XAI)技术（如SHAP和LIME）可揭示各设计参数对传感器性能的影响，为模型优化提供物理解释。
