生物流體（如血液、尿液或汗液）中含有多種代謝組分且不同人體之間存在個體差異性，對快速便捷、準確高效的臨床分析或健康評估提出了巨大挑戰。與其他生物流體相比，汗液在無需刺穿皮膚的前提下，即可在人體表皮輕松收集，因而日益受到關注。然而，目前基于電化學阻抗譜、高效液相色譜的汗液生物標志物檢測方法因需要專業的實驗設備、復雜的樣品前處理流程和訓練有素的技術人員而受到限制。與上述方法相比，比色傳感分析技術具有檢測速度快、靈敏度高、耗材較少等優勢而受到廣泛關注。但是，目前所報道的大多數比色傳感分析技術存在染料泄露、顯色不均和化學擴散等缺陷。

近期，暨南大學李風煜教授課題組報道了一種深度學習技術輔助的可編程比色傳感芯片，用于快速檢測汗液中的多種生物標志物（葡萄糖、乳酸等）。相關成果以“Explainable Deep-Learning-Assisted Sweat Assessment via a Programmable Colorimetric Chip”為題發表在國際化學權威雜志Analytical Chemistry上。論文的第一作者為暨南大學化學與材料學院2020級研究生劉志浩，通訊作者為暨南大學化學與材料學院徐慧華副教授、孟建新教授和李風煜教授。

具體來看，研究人員設計了一種由海藻酸鈉-氯化鈣膠囊微球組成的可編程比色傳感芯片，實現了對來自不同汗液的多種生物標志物的準確分類和量化分析。通過收集4600張比色響應圖像作為數據集，研究人員比較了2種深度學習算法和7種機器學習算法。其中，隸屬深度學習算法的卷積神經網絡模型可對汗液中的多種生物標志物實現100％準確分類和量化分析。而深度學習輔助的比色傳感芯片與傳統分析方法對實際汗液的檢測結果的匹配度為91.0%~99.7％。此外，將類激活映射機制用于可視化卷積神經網絡模型的內部決策機制，有助于解釋所設計的可編程比色傳感芯片的合理性。

總體而言，該深度學習技術輔助的可編程比色傳感芯片提供了一種“端到端”的分析策略，促進了實驗軟件設計和原理優化，為臨床監測、疾病預防，科學發現提供了新的研究方向。

審核編輯：郭婷