最新成果 | 延世大学Jongeun Choi教授团队：基于人工智能的多重DNA功能化石墨烯传感器用于分析化学蒸汽成分

延世大学Jongeun Choi教授团队提出了一种新技术，基于多路复用 DNA 功能化石墨烯（MDFG）纳米电极，无需冷凝原始蒸汽或目标稀释，即可检测和分辨单个化学蒸汽，从而原位确定混合蒸汽的化学成分。同时利用人工智能（AI）操作阵列电极，能够在早期阶段识别具有混合比例的混合化学气体的成分。

Multiplexed DNA-functionalized graphene sensor with artificial intelligence-based discrimination performance for analyzing chemical vapor compositions

https://doi.org/10.1038/s41378-023-00499-y

本文亮点

1、多重DNA功能化石墨烯气体传感器在室温下呈现高灵敏性质；

2、阵列式气体传感器能够同时测量多个通道；

3、在湿度条件下能检测和鉴别不同比例混合的有害气体；

4、通过人体呼气诊断肺部疾病；

5、基于人工智能可识别气体中的化学蒸汽成分和混合状态。

研究背景

文章旨在开发一种基于人工智能（AI）的诊断系统，该系统可以仅使用人类呼出的气体来诊断肺部和肝脏疾病。人类呼出气体中含有可以诊断某些疾病的生物标志物，例如肝脏和肺部的疾病。作者的研究旨在开发一种系统，在高湿度条件下（如人类呼出的气体）检测和区分与生物标志物相对应的NH₃、NO、NO₂和H₂S混合气体。这需要设计的材料足够坚固，能够在室温下工作，并且耐湿。文章开发的系统由检测化学蒸汽成分的多重DNA功能化石墨烯（MDFG）传感器和基于人工智能的气体识别模型组成。MDFG传感器以阵列的形式制造，使得每个ssDNA序列被功能化，从而可以同时通过多个通道获得多个数据。为了直接诊断真实人类呼气中的生物标志物，作者的MDFG传感器检测室温和80%湿度下空气中的混合气体，并具有高反应性，如人类呼气。检测到的电信号被分类为一个训练有素的人工智能模型，并通过基于1D卷积神经网络（CNN）的深度学习模型几乎完美地对其进行区分。基于这些发现，作者期望通过人类呼气开发自动实时疾病诊断系统或开发混合气体验证研究。

化学蒸汽传感器在各种应用中发挥着至关重要的作用，例如在医疗诊断、航空航天、军事、环境监测以及工业生产和安全中。工业和人体大量释放各种化学蒸汽。即使是少量的这种气体也会对人体、生物体和环境产生负面影响。在文章中，作者试图从人类呼吸中检测这些有害气体。为了检测人类呼出气体中所含的气体，目前正在对抗湿度气体传感器进行研究，但如果没有过滤器等处理，很难保持性能。此外，在检测混合气体之后确定混合状态的系统仍然受到限制。在这项研究中，作者开发了一种在高湿度条件下对混合气体具有更高反应性的多重DNA功能化石墨烯（MDFG）传感器，无需单独处理，以及一种基于人工智能（AI）的系统，该系统可以预测化学气相组成中混合气体的类型和混合比。此外，已经广泛用作气体传感器的基于金属氧化物的传感器由于其高工作温度而在其使用中具有局限性。然而，作者制造的MDFG传感器即使在室温下也能检测到具有足够反应性的气体。与现有的单个传感器不同，由阵列传感器制成的MDFG传感器可以同时获得多个数据，这可以最大化基于深度学习的辨别系统的性能。

在文章中，作者试图开发一种在室温和高湿度条件下充分保持其性能的传感器，以检测人类呼出气体中所含的疾病生物标志物化学蒸汽。作者将石墨烯上的ssDNA序列功能化，以在室温和高湿度条件下对气体具有高灵敏度，并制造了由6个ssDNA序列和7个仅包含石墨烯的序列组成的阵列型传感器，以同时生成7种类型的电信号。这在基于人工智能（AI）的识别系统中起着非常重要的作用，并能够实现高精度的分类，特别是在1D卷积神经网络（CNN）模型中，这是文章中执行的深度学习技术。为了验证人工智能技术，作者还使用支持向量机（SVM）模型确认了识别性能，这是一种结合了特征选择技术的机器学习技术。结果显示，文章中的多重DNA功能化石墨烯（MDFG）传感器在高湿度条件下检测到具有更高反应性的化学蒸汽成分，并且在低湿度和高湿度条件进行混合气体反应实验后，机器学习和深度学习都实现了混合气体类型和比例的98%以上的分类精度。文章的研究结果将为未来开发一种实时自动诊断系统提供基础，该系统能够通过直接检测人类的呼出气来诊断疾病。

图文导读

图1：人体呼出气体诊断流程示意图。

图1是通过多重DNA功能化石墨烯（MDFG）传感器检测呼出气体的化学蒸汽成分并通过人工智能确定混合气体的类型和状态的整个过程的示意图。NH₃、NO、NO₂和H₂S气体分子以单独或混合状态存在于含高湿度的人类呼出气体中，由用ssDNA序列功能化的气体传感器阵列吸附和解吸并检测。这些分子的存在被检测为电信号并被传送到鉴别系统。作为用于辨别的人工智能模型，使用了使用特征选择的机器学习的支持向量机（SVM）和1D卷积神经网络（CNN）的深度学习模型。通过充分训练的模型，可以对检测到电信号的气体混合物的状态进行分类，并且可以通过结果诊断肺部或肝脏疾病。在文章中，通过确定MDFG传感器检测到的低湿度或高湿度条件下化学蒸汽成分的混合状态，以超过99%的准确度确认了识别系统的性能，它有望通过人类呼出气体发展成疾病诊断系统。

图2：传感器设备和性能。

图2介绍了文章中生产的多路DNA功能化石墨烯（MDFG）传感器的制造过程和性能。（a） 显示石墨烯DNA气体传感器阵列和导电通道的制造过程的示意图。通过Au光刻形成阵列型电极图案。每个阵列通道在石墨烯上用不同的ssDNA序列功能化以形成电极。（b） 气体传感通道的光学图像和AFM图像，它们排列在单个芯片上的阵列中。（c） AFM结果测量了π-π堆叠ssDNA吸附前后的高度变化，测量的高度差为1.61nm。（d） 不同类型ssDNA吸附态拉曼位移的G峰比较。（e） 具有官能化胸腺嘧啶、腺嘌呤和鸟嘌呤序列的石墨烯的俯视SEM图像，以及（f）具有官能化胸腺、腺嘌呤和胍序列的石墨的横截面SEM图像。此外，根据所形成的传感器阵列的ssDNA混合物，作者通过质量峰值分析结果确认了传感器阵列的正确实施。（g） 使用功能化胸腺嘧啶、腺嘌呤和鸟嘌呤序列的石墨烯TOF-SIMS映射图像，其各自的光谱峰值分别为125（胸腺嘧啶）、134（腺嘌呤）和150 m z-1（鸟嘌呤）。作者通过比较ssDNA功能化石墨烯电极通道的光学和电学性能来验证其性能。

图3：气体浓度传感特性。

图3显示了文章中生产的MDFG（多重DNA功能化石墨烯）传感器的ssDNA序列通道配置和化学蒸汽成分检测特性。在MDFG传感器中，以这样的方式制造了一个通道，即总共获得了7种类型的数据，其中只有石墨烯存在，并且石墨烯被6个ssDNA序列功能化。（a） 显示了应用于石墨烯ssDNA气体传感器阵列以在低湿度和高湿度条件下检测气体的ssDNA序列排列和结合状态。（b） -（e）显示了根据石墨烯、（b）A6、T6、G6、（c）A6T6和（e）T6G6上的官能化ssDNA序列的拉曼光谱的G峰位移。（f） 示出了根据传感器阵列通道的通孔V的电阻。（g） 是每种气体的MDFG传感器响应度结果。（h） -（j）显示了MDFG传感器对NH₃、NO₂和NO气体分子的检测和响应特性。（h） 是每个通道中的最大反应性，（i）是时间常数，（j）是根据每个气体分子的传感器阵列通道的通孔V的电阻的结果。作者通过测量这些气体传感特性，验证了MDFG传感器优异的气体分子传感能力。

图4：高湿度气体的SVM分类。

图4是在80%湿度条件下测量的混合气体识别系统中使用机器学习的分类结果的图，如人类呼出的气体。（a） 显示了在2、5和10ppm浓度下对NH₃、H₂S和NO单个气体分子的反应性，以及通过在潮湿条件下官能化ssDNA而提高的反应性。在湿度为80%的条件下，如条形图所示，MDFG传感器的响应性增加了2至2.5倍。（b） 是气体分子检测的PCA结果。在文章中，一种特征选择技术被用于机器学习，与实际数据无关的特征被排除在通过特征提取提取的特征之外，就像一般的机器学习一样。（c） 是由支持向量机（SVM）模型仅通过特征提取而不通过特征选择确定的结果。（d） -（f）是具有特征选择的SVM模型。（d） 是NH₃-H₂S，（e）是NH₃-NO，（f）H₂S-NO是5种单独和混合比率气体状态辨别的结果。（g） 是在高湿度条件下进行特征选择的情况与不进行特征选择情况之间的区别结果的比较。作者验证了文章的模型执行特征选择优于此结果。

图5：化学蒸汽成分的1D CNN分类。

图5是在基本低湿度条件和80%高湿度条件下测量的混合气体辨别系统中使用深度学习的分类结果的图，如人类呼出的气体。在文章中，使用一维卷积神经网络（CNN）技术作为深度学习模型，模型的结构图如（a）所示。分别训练和区分低湿度和高湿度条件下的气体分子检测结果。（b） -（d）是混合气体分类结果的3D混淆矩阵，（b）NH₃-NO，（c）NH₃-NO₂，和（d）NO₂-NO，在低湿度条件和1:1、1:3和3:1的混合比条件下。以及混合气体（e）H₂S–NO、（f）NH₃–H₂S和（g）NH₃-NO在高湿度条件下的结果，以及混合比例为1:1、1:3和3:1的单个气体。从（b）-（g）的结果来看，在低湿度和高湿度条件下都实现了几乎完美的辨别。作者进一步进行了深度学习，其中对相同混合气体在低湿度和高湿度条件下的数据进行了随机洗牌，并从1D CNN模型中获得了优异的识别结果，可以预期，MDFG传感器和识别系统具有作为呼吸诊断系统的潜力。

作者及实验室简介

第一作者：

Yun Ji Hwang，延世大学机械工程系。主要研究方向为分子传感、深度学习。

Heejin Yu，延世大学机械工程系。主要研究方向为机器学习与医学AI。

Gilho Lee，延世大学机械工程系。主要研究方向为气体传感。

通讯作者：

Jongeun Choi，延世大学机械工程系。主要研究领域为机器学习、系统与控制、机器人。

Seong Chan Jun，延世大学机械工程系。主要研究领域为纳米电子、纳米机电器件、NEMS。

实验室简介：

纳米机电设备实验室（NEMD实验室）自2008年起由Seong Chan Jun教授领导。NEMD实验室隶属于延世大学（韩国首尔）机械工程系，正在进行NEMS、纳米电子学、纳米光子学、人工智能、阵列传感器和纳米能源的研究。具体而言，该实验室使用石墨烯、MoS₂和MXene等二维纳米材料，正在创建各种应用设备，如电池、超级电容器、生物传感器、气体传感器和光学传感器。该实验室拥有与气体/生物传感器测量设备、储能装置性能测量设备、FE-SEM、光学表等相关的设备，并积极用于研究。此外，该实验室还拥有人工智能开发技术，因此可以显著提高纳米器件性能的研究也在进行中。特别是，NEMD实验室拥有以阵列形式创建和测量生物/气体传感器的技术和设备，因此它具有研究能力，可以使用各种纳米材料和与人工智能的协作创造巨大的协同效应。