基于纳米膜（Nanomembrane）的微流控平台结合嵌入式电学压力传感器用于片上纳米颗粒定量（On-chip Nanoparticle Quantification）

《Lab on a Chip》：Nanomembrane-based microfluidic platform with embedded electrical pressure transducer for on-chip nanoparticle quantification

　　

准确量化纳米颗粒浓度在众多领域中至关重要，特别是在纳米医学、电子学和催化领域。微流控系统为实现低成本纳米颗粒定量测试提供了机遇，但通常面临与小样本体积及器件构造材料光学干扰相关的技术挑战。在此，研究人员介绍了一种集成超薄氮化硅纳米多孔膜（纳米膜，Nanomembrane）与片上压力传感器的微流控器件，旨在通过电学读数精确量化微流控器件内的纳米颗粒浓度。当纳米颗粒在压力驱动流作用下被膜捕获时，跨膜压差发生变化并由片上传感器测量。该压力传感器利用一层薄聚二甲基硅氧烷（PDMS）膜，其在压力下偏转以改变相邻通道的横截面积和离子流阻。这使得能够通过分析相对于颗粒对纳米膜堵塞的跨膜压力变化动力学来确定纳米颗粒浓度。研究人员还提出了一种针对纳米多孔膜中部分堵塞和颗粒结饼（Caking）的统计模型，该模型解释了孔径和颗粒尺寸的分布。该模型提供了对纳米颗粒过滤行为和纳米孔堵塞动力学的更详细理解，实现了准确的浓度测定。利用微流控器件获取的数据对该模型进行的实验验证表明，其检测下限（LOD）约为108particles per mL，为微流控器件中的纳米颗粒原位定量提供了一种通用的非光学方法。

该研究针对微流控系统中纳米颗粒定量的需求，开发了一种结合纳米多孔氮化硅膜（NPN）与嵌入式PDMS压力传感器的微流控平台。研究人员首先设计了器件结构与工作原理，通过压力驱动流使纳米颗粒被NPN捕获，导致跨膜阻力变化进而引起下游压力改变，该压力变化由基于离子电阻原理的PDMS膜传感器转换为电信号。为了解析复杂的堵塞动力学，研究人员建立了包含孔隙堵塞（Pore Blockage）和颗粒结饼（Cake Filtration）的计算模型，并利用Nelder-Mead多变量优化算法对实验数据进行拟合，以预测颗粒浓度。实验使用平均直径为92 ± 9 nm的聚苯乙烯纳米颗粒，浓度跨度从4.9 × 10⁸到4.9 × 10¹⁰particles per mL（800 fM至80 pM）。研究结果表明，该系统能够准确预测10⁸–10¹⁰particles per mL范围内的颗粒浓度，且膜的润湿效率（Wetting Efficiency）是影响预测精度的关键因素。该研究成果发表在《Lab on a Chip》期刊上。

关键技术方法包括：基于3D打印模具和软光刻技术制备PDMS微流控芯片并结合SiMPore公司的NPN膜进行器件组装；利用AC信号激励的嵌入式PDMS薄膜压力传感器监测跨膜压力变化；采用包含孔隙堵塞和颗粒结饼机制的物理数学模型进行数值模拟；应用Nelder-Mead优化算法结合Bootstrapping误差分析对实验数据进行拟合以提取颗粒浓度及堵塞效率参数。

结果与讨论

2.1 纳米颗粒捕获与检测器件

研究人员设计了微流控器件，将含有纳米颗粒的样品在压力驱动下引入通向嵌入式NPN膜的微通道。随着颗粒被捕获，膜的流体阻力增加，导致跨膜压力梯度变化。研究人员通过在后NPN微通道上方设计高流体阻力路径，并将PDMS传感膜置于该通道旁，利用压力变化引起的膜偏转来改变传感通道（TC）的离子电阻，从而实现对NPN膜状态的非光学监测。

2.2 压力传感器校准

研究人员对集成压力传感器进行了校准。通过在TC中填充0.1 M KCl溶液并使用Ag/AgCl电极施加AC信号，测量了电流随跨膜压力的变化。结果显示系统在0–96.5 kPa范围内呈线性响应，灵敏度为?26 mV kPa^?1，检测下限（LOD）为0.6 kPa。这种线性响应特性使其适用于测量NPN堵塞事件。

2.3 颗粒捕获与数据提取

研究人员实施了测试内校准循环（ITCC）以抵消电压漂移。实验过程中，随着纳米颗粒捕获，NPN阻力增加导致后NPN微通道压力降低。研究人员定义了润湿效率以量化初始可用孔隙比例，并将其作为拟合算法的初始参数以提高计算准确性。

2.4 孔隙堵塞与颗粒结饼的计算建模

研究人员建立了数学模型以模拟两种主要的膜堵塞模式：孔隙堵塞和颗粒结饼。模型引入了“堵塞效率”（Blockage Efficiency）概念来描述颗粒对孔隙流动能力的削弱程度。模拟结果显示，在低浓度下孔隙堵塞占主导，而在高浓度下颗粒结饼效应显著，这决定了系统的动态范围（Dynamic Range）。

2.5 预测分析

研究人员利用Nelder–Mead优化算法对实验数据进行拟合。通过对四种重复实验的分析，模型预测的颗粒浓度与实际值存在一定偏差，这主要与NPN膜的润湿效率差异有关。Bootstrapping误差分析显示预测的平均不确定性约为平均预测浓度的±30%。在不同浓度梯度的测试中，模型在4.9 × 10⁸至4.9 × 10¹⁰particles per mL范围内表现良好，但在极低或极高浓度下由于动力学过快或过慢导致拟合失败。

结论

研究人员得出结论，该微流控平台利用嵌入式PDMS压力传感器能够实时监测纳米颗粒在NPN膜上的积累动力学，从而关联压力变化与颗粒浓度。研究发现颗粒捕获效率受膜润湿效率显著影响。该系统通过计算模型拟合压力动力学曲线，能够在低皮摩尔至高飞摩尔范围内实现浓度预测。该原型器件为设计更高效的过滤系统以及在生物医学和环境监测中进行原位纳米颗粒评估奠定了基础。未来的工作将聚焦于探索不同颗粒类型与尺寸的影响，并进一步优化润湿效率和算法以提升精度和动态范围。