第一作者：韩清志
通讯作者：王海梅、John Wang
通讯单位：新加坡国立大学材料科学与工程系; 新加坡国立大学（重庆）研究院
论文DOI：
10.1002/adfm.202403122
电化学(EC)分析作为一种灵敏度高、可靠、经济高效且快速发展的技术，已引起各个领域的广泛关注。此外，基于EC的技术在小型化和集成方面具有巨大的潜力。EC技术与多种模式/信号（例如光、磁和热信号等）的集成为生物传感器通过单一传感平台获取更多信息提供了独特的机会。通过耦合多个信号或对它们进行逻辑处理，可以进一步提高检测精度，并将误检的概率降至最低。在这篇综述中，对EC传感领域的多模式/信号传感器及其与各种传感技术（例如荧光、光热、比色法、微流体等）的集成进行了全面分析。目的是深入研究多模式/信号生物传感器的最新进展、潜在应用以及挑战，其中多种传感模式的利用有助于提高准确性、灵敏度和选择性。本综述提供了对EC传感与其他技术集成的协同效应的新见解，旨在揭示EC集成多模式/信号生物传感器的近期发展。
本研究旨在深入探讨电化学（EC）多模式/信号生物传感器的最新进展、潜在应用与挑战。论文背景基于EC技术的高灵敏度、可靠性、成本效益及快速演进，尤其关注其与其他传感技术（如荧光、光热、比色、微流控等）的结合。研究方法包括全面分析多模式/信号传感器在EC传感领域的应用，并探讨其与其他传感技术的整合。研究过程涉及对文献的深入剖析，以及对多模式/信号生物传感器的性能、优势与不足的综合评价。实验部分主要关注多模式/信号生物传感器的设计与实施，以及其在生物分子检测中的性能评估。实验变量包括不同传感模式的组合、信号处理策略等，综述展示了多模式/信号传感在提升检测准确性、降低假阳性/假阴性率方面的优势。综述展望部分指出，多模式/信号生物传感器在EC传感领域具有巨大潜力，但仍需解决一些挑战，如传感器的小型化、集成化及稳定性等。该研究为EC集成多模式/信号生物传感器的未来发展提供了新视角和启示。
1. 本综述对EC传感领域的多模式/信号传感器及其与各种传感技术（例如荧光、光热、比色法、微流体等）的集成进行了全面分析。
2. 深入研究多模式/信号生物传感器的最新进展、潜在应用以及挑战，其中多种传感模式的利用有助于提高准确性、灵敏度和选择性。
3. 本综述提供了关于EC传感与其他技术集成的协同效应的新见解，旨在揭示EC集成多模式/信号生物传感器的近期发展。
该综述首先介绍了电化学传感器的发展历史。生物传感器是一个跨学科领域，已成为分析化学中最具活力的研究领域之一。自1962年Clark和Lyons报导了第一个EC葡萄糖生物传感器，目前已经开发了多种基于EC的技术和集成传感平台（图1a）。如图1b所示，生物传感器基本上由信号转导元件和生物元件组成，例如酶、抗体或核酸。这些生物逻辑成分与目标分析物相互作用，通过换能器将反应转化为电信号。生物传感器可以基于它们利用的物理化学转导或生物识别元件的类型来分类。根据传感器的不同，生物传感器可以分为EC、光学、热、重量或声学生物传感器。
图1.（a）EC和基于EC的多模式/信号传感平台的一些重要事件的简要时间表。（b）典型生物传感器由生物感受器、换能器、电子系统、显示器以及生物传感器系统中使用的各种类型的换能器组成。
EC传感技术的基础是应用电子化学原理来检测和量化有样本的分析物。EC传感包括广泛的技术技术，每一种都有其独特的优势和应用。如图2所示，常用的EC原理检测谱，包括安培、伏安、电位计、阻抗、电导、光电化学（PEC）和电化学发光（ECL）等。
图2. 基于不同技术的EC生物传感器。（a）基于酶电极的代谢物目标的安培生物传感，包括电流时间（i-t）曲线和定量的信号。（b）通过使用抗体修饰或核酸修饰的电极、一步结合诱导的折叠感应或基于一步接近结合的亲和化，对蛋白质或核酸进行伏安生物感应，包括用于目标定量的电流电位（i-E）曲线信号。（c）三种不同的离子选择电极结构记录了目标定量的电位（E）。（d）不同浓度的分析物的干扰生物传感。奈奎斯特图展示了兰德尔斯电路的特征。兰德尔斯电路（插图）说明了该系统的组件：双层电容（C
dl
）、电荷转移电阻（R
ct
）、溶液电阻（
R
s
）和Warburg阻抗（W）。由分析物-表面相互作用引起的阻抗变化与分析物浓度成正比。（e）电导率测量原理示意图。（f）基于三电极系统的PEC生物传感，在光源下，通过目标识别产生光电流（ipc）。（g）基于适配体修饰电极的细胞的ECL生物传感，包括光电倍增管（PMT）激发电位下的光强（IECL）或使用相机成像进行目标定量。
如图3所示，多模式/多信号生物传感器主要可分为两种结构，即基于顺序测量和并行测量的生物传感器。根据不同的传感模式，样品按顺序或同时进行分析。基于多模式/信号生物传感器基于顺序测量的多模式/信号生物传感器通过顺序测量不同的模式或向单个生物传感器元件或多个生物传感器元件发出信号来操作（图3a）。在这种结构中，生物传感器被设计成在不同的测量模式/信号之间切换，以输出不同类型的信息。基于并行测量的生物传感器采用多个生物选择源元件，每个元件专门用于特定模式或信号的同时测量（图3b）。这种生物传感器并行工作，能够同时捕获不同类型的信息。
图3. 多模式/多信号生物传感器结构示意图：（a）基于顺序测量的多模/信号生物传感器。（b）基于并行测量的多模/信号生物传感器。
多种传感方式的集成产生了复杂的数据，提高了测量的精度和全面性。例如，将EC sensing与光学传感相结合，可以同时检测化学物质及其光学特性。这有利于同时进行化学鉴定和量化。同样，将EC传感与机械或热传感相集成，可提供有关应变、压力或温度等物理属性的更多信息。这种方法允许对目标系统进行更全面的监测和分析。而且，利用多功能纳米材料或靶点触发新信号，可开发各种EC集成多模式/信号传感平台，用于生物分子的检测和工作。如图4a所示，三模式/信号传感平台：Liu等人开发了一种三通道传感平台，用于同时EC、荧光和光热检测硫化氢（硫化氢是诊断急性胰腺炎的生物标志物）。他们使用了NaYbF
4
：Er@NaLuF
4
（RENPs，具有上转换发光和光热特性）和Cu-海藻酸盐（Cu-ALG，有助于电子信号）凝胶修饰电极。这三种模式的整合，加上阈值的优化，显著提高了急性胰腺炎血清诊断的准确性（>99.0%），超过了单或双信号方法（79.5%–94.1%）的性能。双模式/信号传感平台：在图4b中，Han等基于双功能镧系上转换纳米颗粒（UCNPs）生物偶联物，结合双模偶联开发了PEC和肉眼读出的检测平台。与传统的PEC生物传感器不同，在近红外（NIR）照明下，双模传感平台可以实现快速定性分析（荧光可视化）和定量分析（PEC）。这些传感平台在检测特定分析物方面具有优异的性能，并在生物和临床应用中检测生物分子的前景。
图4.（a）基于NaYbF
4
：Er@NaLuF
4
-铜-藻酸盐凝胶（RENPs-Cu-ALG）修饰电极的三通道平台，用于对硫化氢同时进行EC、光热和荧光传感。（开关，短波红外；UCL，上转换发光）。（b）集成的NIR荧光诱导的肉眼读出和PEC传感一起用于生物分子的双读出。（c）集成自供电PEC传感和电致变色可视化的双模式微流控分析装置，用于超灵敏的氧氟沙星（OFL）检测。（d）结合光热相结合，以DNA花封装纳米酶为探针，基于双适配体识别的双模式MCF-7细胞衍生外泌体的检测。
多模/多信号生物传感器的发展很大程度上依赖于微型化和微加工技术，需要一种包括微加工、数学科学、化学、生物学和工程专业知识的多学科方法。人们采用了多种制造工艺来制造这些传感器，其中微细加工是一种突出的法，可以在芯片上制造微结构，利用先进的多模/信号集成制造技术，如光刻、薄膜沉积、蚀刻、微流体、纳米材料、纳米技术和3D打印等等。这些技术的使用有助于传感器的集成及小型化便携化的应用。
图5.（a）基于UV触发交联的弹性电子材料直接光学光刻的光致抗蚀剂策略的一般机制。（b）柔性微3d传感器，用于温度测量。（c）AlN Lamb波MEMS谐振器的示意性表示。谐振器由三层组成：底部电极、AlN薄膜和顶部IDT电极。（d）基于微流控技术的传染病分子诊断策略图。（e）用于传感器制造的3d打印技术。
统计分析和机器学习（ML）算法在多模式/信号传感数据的分析中得到了广泛的应用。这些方法使高级模式重新识别、数据分类和预测建模成为可能。数据融合和信号处理技术通过促进从各种传感方式获得的数据的集成、分析和解释而发挥着关键作用，最终得出更综合和准确的结果。多模式/多信号传感系统中的协同数据融合和信号处理技术有助于增强结果和信息交互。如图6a所示，Ma组进行了接收机工作特性（ROC）分析，以评估曲线下面积（AUC）的精度。在他们的研究中，每种方法（包括EC、发光和光热）或组合使用这些方法中的任何两种导致高假阳性/阴性比率。但采用优化阈值为2/3的三信号方法，曲线的AUC估计为0.990。这表明使用三信号方法正确识别急性胰腺炎（AP）病例的概率为99.0％，显着超过单信号或双信号方法的AUC。在图6b中，先进的深度学习算法，如卷积神经网络（CNN）或递归神经网络（RNN），可以作为分析多模式/信号传感器数据的强大工具，使提取复杂的模式及其关系成为可能。机器学习（ML）和人工智能收敛（AI）算法的集成在多模/信号传感器数据的分析中越来越普遍。这些算法可以从数据中学习随机模式、人际关系或行为，使它们能够进行智能的预测或决策。通过将多模式/信号传感器数据与ML算法集成，智能系统可以优化控制策略，做出明智的决策，并基于实时传感器信息调整其行为。在图6c中，研究人员采用生物激发嗅觉触觉（BOT）ML架构来处理多模态数据并实现了对象的识别。
图6.（a）通过三通道平台提高血清诊断精度。ROC曲线显示了基于血液样品中血浆CH
2
S的正常和AP病例正确区分的可能性，这些血浆CH
2
S通过各种方法确定，包括单信号：（i）EC法，（ii）发光，（iii）光热。双信号法（iv）EC和发光，（v）EC和光热，（vi）发光和光热。阈值为（vii）1/3、（viii）阈值为2/3和（ix）阈值为1的三信号方法。（b）MLP辅助的智能材料感知系统。它由信号生成自建装置、基于现场可编程门阵列的信号获取高速数据采集器、提取信号四个特征的特征提取模块、数据处理分析的MLP模型、实时显示感知结果。（c）一个方案演示了触觉和嗅觉信息在BOT关联学习体系结构中的处理和融合（512d-压力信息，512d向量，100D/100D向量）。
随着大型生物银行、电子健康记录、医学成像、可穿戴和环境生物传感器的生物医学数据的不断增加，以及基因组和微生物组测序成本的降低，为开发捕获人类健康和疾病的多态人工智能解决方案奠定了基础。虽然人工智能在不同领域（如语言翻译、语音识别和自然图像识别）取得了巨大的进步，但医学应用上却落后了。这种滞后可以部分归因于数据的复杂性和高维度，其中包含许多独特的特征或信号。在开发和验证解决方案方面，这些复杂的技术挑战难以在不同的人群中有效地推广。目前，计算机断层扫描（CT）扫描或视网膜照片代表了人工智能在医学领域最常见的应用，专注于使用单一模式的狭义任务。在诊断患者时，临床医生分析来自各种来源和方式的数据，以做出预后评估并确定治疗计划。然而，现有的人工智能系统通常提供隔离的快照，无法捕捉到健康的动态和持续性。理想情况下，AI模型应该利用临床医生通常使用的所有可用数据源，甚至可以访问那些不太熟悉的数据源（例如基因组医学，许多临床医生可能完全不会）。如图7所示，整合来自不同模式关系包括生物传感器、遗传、表观遗传、蛋白质组学、微生物群系、代谢组学、成像、文本、临床、社会确定和环境数据的多模人工智能模型的发展有望解决这一问题。这些模型将实现广泛的应用，包括个性化医疗、实时大流行监测和数字临床试验等。
图7.（a）多模态生物医学人工智能的数据模式和机会。（b）i.类似感知器架构的简化原理图：图像、文本和其他输入不可知论地转换成连接（即融合）的字节数组，并通过交叉注意机制（即将信息投射或浓缩为固定维表示的机制）将信息送入网络。ii.简化多模式多任务架构（例如Gato）背后的概念框架，在一个假设的医学例子中：从图像、文本和动作等不同的输入模式被标记化，并作为输入序列送入网络，这些序列被屏蔽的移位版本作为目标，然后网络学习处理多种模式和任务。
基于EC方法的多模式/多信号读出传感是一个快速发展的领域，具有很大的潜力，适用于广泛的应用。新兴材料的发展和多种传感模态的集成扩大了EC生物传感器的应用，使其在生物医学诊断、环境监测和食品安全方面的应用成为可能。在生物医学诊断中，多模式/多信号传感已被用于检测生物标志物和与酶相关的生物分子。同样，它通过促进重金属、农药和其他污染物的检测，在环境监测中也发挥了重要作用。虽然多模式/多信号EC传感方面取得了进展，但仍有几个挑战。比如，复杂的基质可以引入干扰，潜在地影响传感精度和特异性。此外，开发具有成本效益的、能够用于资源受限地区的便携式设备也十分迫切。总的来说，基于EC的多模式/多信号读出传感具有跨越各个领域应用的巨大潜力。
韩清志博士
，毕业于北京师范大学大学（导师：欧阳津教授），现为南京林业大学理学院副教授。研究方向为电化学传感免疫分析，在Advanced Functional Materials，
Analytical Chemistry
，Chemistry
- A European Journal，Biosensors and Bioelectronics，
等期刊发表论文10余篇。
王海梅博士
，毕业于山东大学化学与化工学院（导师：陈代荣教授），现为新加坡国立大学材料科学与工程系博士后（导师：John Wang教授）。她的主要研究集中在（光）电催化，锂硫电池和固态电解质。在Nature Communications, Advanced Materials, ACS Nano, Applied
Catalysis B: Environmental发表了多篇重要的研究论文。
John Wang
教授，目前工作于新加坡国立大学材料科学与工程系，在功能材料及材料化学领域拥有30年以上的研究和教学经验。目前研究方向涉及能源材料及器件、二维材料化学、纳米材料膜设计及其在水处理气体分离等领域的应用。John Wang教授目前担任新加坡国立大学重庆研究院院长。John Wang教授当选为亚太材料科学院院士，新加坡工程院、新加坡科学院院士，2020-2024科睿高被引学者。
课题组主页：
https://www.x-mol.com/groups/han_qingzhi/people
https://www.dmse.nus.edu.sg/ACL/
