RaSizeNet：一种可解释的多模态深度学习模型，结合了表面增强共振光谱（SERS）和惯性微流控尺寸分布技术，用于精确检测复杂病原体

《Journal of Hazardous Materials》：RaSizeNet: An Interpretable Multimodal Deep Learning Model Integrating SERS Spectra and Inertial Microfluidic Size Distribution for Precise Detection of Complex Pathogens

准确快速识别病原体对公共卫生至关重要，但复杂样本检测仍面临挑战。本研究开发RaSizeNet模型，整合SERS光谱与惯性微流体尺寸分离技术，利用Fe@PCN-Au复合材料实现高效细菌富集与信号增强，构建九种代表性菌种的多模态数据库。通过设计任务导向的跨模态注意力机制，模型在复杂样本中平均准确率达96.22%，显著优于单一模态和传统多模态模型。该框架为集成微流控-SERS传感与人工智能提供新范式，适用于污水、血液等复杂环境中的实时病原体检测。

　　

作者列表：关文苏（Guanwen Su）、文瑞杨（Wenrui Yang）、国兆刘（Guozhao Liu）、小龙杨（Xiaolong Yang）、贾松张（Jiasong Zhang）、宝阳吴（Baoyang Wu）、乐平党（Leping Dang）、洪源伟（Hongyuan Wei）、展忠王（Zhanzhong Wang）

天津大学化学工程与技术学院，中国天津 300072

摘要

准确且快速地识别病原体对于公共卫生和传染病控制至关重要。尽管取得了显著进展，但在复杂样本中进行无标记、高通量、高灵敏度的细菌检测仍然是一个重大挑战。本文开发了一种可解释的多模态深度学习模型RaSizeNet，该模型结合了表面增强拉曼光谱（SERS）和惯性微流控尺寸分布技术，以实现复杂细菌群体的高精度识别。研究人员合成了具有强SERS活性和磁响应性的Fe@PCN-Au混合颗粒，并将其嵌入双区微流控芯片中，以实现高效的细菌富集、基于尺寸的分离和信号增强。通过结合SERS光谱和流出分布数据，构建了一个包含九种代表性细菌物种的大规模多模态数据集。引入了一种基于尺寸的跨模态注意力机制，以提高光谱区分度和模型鲁棒性，同时保持各模态的独立表示。RaSizeNet在复杂样本中的平均准确率为96.22%，显著优于单模态模型（SERSNet，82.23%）和传统多模态模型（MultiNet，92.81%）。该模型在极端浓度、不同流速和多种介质条件下也表现出优异的适应性和稳定性。这项工作为将微流控-SERS传感与人工智能相结合奠定了一个有前景的框架，为实时多模态病原体检测提供了理论和技术支持。

引言

病原体无处不在，其快速准确的识别对于及时诊断、污染控制和公共卫生监测至关重要[1]。传统方法如细菌培养、免疫测定和核酸扩增（例如PCR）通常耗时较长、劳动强度大，并且依赖于复杂的实验室设施，这限制了它们在需要快速、现场或高通量分析的场景中的应用[2]、[3]、[4]。近年来，基于表面增强拉曼散射（SERS）的微流控传感器作为一种有前景的替代方案出现，提供了无标记、非破坏性和高灵敏度的分子指纹识别能力[5]、[6]、[7]。它们快速的信号响应和微型化潜力使其特别适合实时监测和即时检测平台[8]。

尽管SERS具有许多优点，但在复杂样本中的性能常常受到蛋白质、盐分和细胞碎片引起的光谱重叠和背景干扰的影响[9]、[10]。在无标记应用中，由于缺乏特定的细菌富集机制，这一问题尤为突出[11]。为了减轻这种干扰，惯性微流控技术最近作为一种有效的无标记预处理方法应运而生[12]。利用Dean涡流和惯性升力，该方法能够基于尺寸对颗粒进行高通量分离。例如，在螺旋微通道中，不同大小的细菌物种可以被引导到不同的出口，从而在SERS检测前减少非特异性背景，提高信号稳定性和可靠性[13]。Sui等人开发了一种带有交错人字形混合器（SHMs）的惯性微流控装置，在9分钟内实现了几乎100%的大肠杆菌捕获效率[5]。Qiao等人报道了一种嵌入人字形和之字形图案的三重环双螺旋微通道采样器，其对模型生物体副溶血性弧菌的收集效率超过99.9%[14]。这些发现强调了惯性微流控系统作为强大的无标记富集平台，能够增强基于SERS的病原体检测的潜力。

惯性微流控技术能够有效基于尺寸分离细菌，从而在微流控芯片上产生特征性的流出分布概率。这些分布模式可以作为细菌尺寸的物理代理，而SERS光谱则反映了生化组成。物理（尺寸）和化学（光谱）特征之间的内在互补性为细菌识别提供了更全面的表示。为了联合分析和提取此类异构数据中的特征，深度学习模型是不可或缺的工具[15]。传统算法难以处理SERS信号的非线性、噪声和高维度问题。相比之下，特别是结合卷积操作和注意力机制的深度学习架构，能够实现分层跨模态特征提取和融合建模，从而提高分类准确性和模型鲁棒性[16]、[17]、[18]。

为了克服仅依赖光谱信号的局限性，开发了一个双分支多模态深度学习框架RaSizeNet，用于联合建模SERS光谱的生化指纹和微流控流出分布中编码的尺寸相关先验信息。在光谱分支和尺寸分支之间嵌入了一个特定于任务的跨模态注意力机制，实现了分子振动特征与惯性分离线索之间的结构对齐。这种机制促进了选择性信息增强和高效融合。在相同的数据集和评估协议下，RaSizeNet的整体分类准确率为96.22%，超过了传统的基于注意力的多模态模型（MultiNet，92.81%）和基于SERS的单模态模型（SERSNet，82.23%）。这些发现表明，面向任务的注意力设计可以更有效地整合物理和生化模态，为基于集成微流控-SERS平台的快速、高通量和现场可部署的病原体识别提供了一条稳健且可迁移的途径。

材料

硫酸亚铁（FeSO₄，98%）、氯化铁（FeCl₃，97%）、四羧基苯卟啉（TCPP，97%）、聚乙二醇和氢氧化钠（NaOH，99%）购自上海Aladdin生化科技有限公司。八水合氧化锆（ZrOCl₂·8H₂O，99%）、N,N-二甲基甲酰胺（DMF，HPLC）和苯甲酸（99%）购自天津江天化学科技有限公司。

组成与结构表征

为了满足高灵敏度和多模态病原体检测的要求，设计了一种多功能复合材料Fe@PCN-Au。该材料由Fe₃O₄磁核组成，外层覆盖着超薄的PCN-224壳层，并均匀装饰有Au纳米颗粒。这种分层配置结合了磁分离和SERS增强功能，为后续基于尺寸的微流控分离和多模态识别提供了理想的材料基础。

结论

本研究提出了一个多模态识别框架RaSizeNet，它结合了基于惯性的尺寸分离、SERS光谱采集和基于深度学习的分类方法，用于复杂环境中的准确病原体检测。通过构建具有高表面积的磁性Fe@PCN-Au复合颗粒，并将其嵌入双区微流控芯片中，该系统实现了不同尺寸细菌的有效分离，从而提高了细菌的富集效果。

环境影响

受污染的水、食物和生物废物中的病原菌对环境和公共卫生构成重大威胁。然而，大多数检测技术仍受限于较差的鲁棒性、低通量和对复杂标记的依赖。本研究介绍了一种无标记的、基于尺寸的多模态平台，结合了惯性微流控、SERS和深度学习技术，能够在污水、牛奶和血液等复杂基质中实现准确的病原体识别。

作者贡献

本手稿的撰写由所有作者共同完成。所有作者均已批准最终版本的手稿。

注释

作者声明他们没有已知的可能会影响本文工作的竞争性财务利益或个人关系。

作者贡献声明

贾松张（Jiasong Zhang）： 软件、方法论。宝阳吴（Baoyang Wu）： 验证、软件。国兆刘（Guozhao Liu）： 验证、软件、方法论。小龙杨（Xiaolong Yang）： 软件、方法论。关文苏（Guanwen Su）： 编写——初稿、验证、软件、方法论。文瑞杨（Wenrui Yang）： 验证、软件、方法论。展忠王（Zhanzhong Wang）： 编写——审稿与编辑、监督、项目管理、资金获取、概念化。乐平党（Leping Dang）： 编写——审稿与编辑、验证。洪源伟（Hongyuan Wei）： 编写——审稿与编辑。

利益冲突声明

作者声明他们没有已知的可能会影响本文工作的竞争性财务利益或个人关系。

致谢

本研究未获得公共部门、商业部门或非营利组织的任何特定资助。