基于机器学习的Kretschmann结构增强型等离子体生物传感器，用于实时检测脑肿瘤生物标志物

《Surfaces and Interfaces》：Machine Learning-Enhanced Kretschmann Configuration Plasmonic Biosensor for Real-Time Brain Tumor Biomarker Detection

本研究开发了一种基于Kretschmann配置的Au/Ag/WS?多层与石墨烯复合的等离子体生物传感器，通过红外光谱结合表面等离子体共振放大效应实现脑肿瘤标志物的实时无标记检测，灵敏度达804.020°/RIU，检测限0.003 RIU，机器学习优化使预测准确率R2达94%-100%。该技术为早期脑肿瘤诊断提供了新方法。

　　本研究聚焦于脑肿瘤的早期诊断难题，提出了一种基于等离子体共振原理的新型生物传感器，旨在提升检测的分子特异性与灵敏度。脑肿瘤因其症状表现延迟和早期检测手段不足，长期以来给临床诊断带来了巨大挑战。传统影像技术如磁共振成像（MRI）和计算机断层扫描（CT）虽然在结构成像方面取得了显著进展，但它们在分子层面的识别能力有限，难以有效区分良性与恶性病变或检测微小残留病灶。因此，开发一种能够实现分子层面高特异性与高灵敏度的新型检测方法显得尤为重要。

近年来，随着光学和光谱技术的进步，研究人员开始探索通过分子振动信号来识别病理变化的可能性。特别是红外（IR）光谱技术，因其能够探测生物分子的特征振动模式，如蛋白质中的酰胺I和酰胺II带，脂质中的C-H伸缩振动，以及核酸中的磷酸对称伸缩振动，展现出在疾病诊断中的巨大潜力。然而，单独依赖光谱技术也存在局限性，尤其是在灵敏度方面。为解决这一问题，研究团队引入了等离子体共振增强机制，结合红外光谱技术，以提高信号的可检测性。

在本研究中，科学家们设计了一种基于Kretschmann配置的等离子体生物传感器，其核心结构由金（Au）、银（Ag）和二硫化钨（WS?）多层材料构成，并在表面集成石墨烯层。这种多层结构的设计使得传感器能够在红外光谱范围内实现对肿瘤相关生物分子的高灵敏度检测。Kretschmann配置是一种经典的等离子体共振激发方法，通过将入射光耦合到金属-介质界面，可以有效地产生表面等离子体极化子（SPPs）。SPPs具有对相邻介质折射率变化的高度敏感性，这一特性使得传感器能够捕捉到生物分子浓度变化所引起的微小折射率差异。

为了进一步优化传感器的性能，研究团队采用了XGBoost机器学习算法进行数据处理和模型训练。XGBoost是一种高效的梯度提升算法，广泛应用于分类、回归、排序和异常检测等任务。通过将实验数据与数值模拟结果进行对比分析，XGBoost模型能够显著提高检测的准确性和可靠性。研究表明，该传感器在不同WS?厚度和Ag/Au层参数条件下，预测值与模拟吸收值之间的相关系数达到了88%至94%。在最优操作条件下，Ag层和Au层的R2值分别达到了94%至100%和96%至100%，这表明该传感器在不同参数组合下均能保持出色的预测能力和检测性能。

该传感器的检测灵敏度达到了804.020°/RIU，检测限为0.003 RIU，这些指标在折射率范围1.3333至1.4833内均表现出色。这意味着该传感器能够检测到极低浓度的肿瘤相关生物分子，为早期诊断提供了有力支持。同时，该传感器具有良好的生物相容性和机械稳定性，适用于动态环境下的实时监测，如体内组织或不规则表面。这种灵活性使其能够直接接触生物样本，从而实现对目标分子的持续、无创监测。

在传感器的结构设计方面，研究团队采用了分层异质结构，以优化等离子体共振的激发效果。传感器的基底为BK7玻璃，其折射率为1.5151，作为光耦合棱镜用于激发等离子体共振模式。活性检测层依次沉积为：2纳米厚的石墨烯单层，其折射率约为3.5+0.01i，随后是Ag和WS?层。这种多层结构的设计不仅增强了等离子体共振的信号强度，还通过石墨烯的引入提升了传感器的灵敏度和稳定性。石墨烯作为一种二维材料，具有优异的导电性和光学特性，能够有效调控等离子体共振的传播路径，从而提高对目标分子的识别能力。

此外，研究团队还通过数值模拟方法对传感器的电磁场传播特性进行了深入分析。模拟结果表明，该传感器在红外光谱范围内能够实现对特定分子振动模式的高选择性响应。这种选择性响应源于等离子体共振的场增强效应，它能够放大来自低浓度生物标志物的微弱红外信号，从而显著提升检测的信噪比。同时，红外光谱技术本身也提供了必要的分子特异性，使得传感器能够准确区分肿瘤相关的分子变化与正常组织的差异。

为了验证该传感器的性能，研究团队进行了多组数据的对比分析。结果显示，传感器在不同参数条件下均表现出良好的一致性，其预测值与模拟吸收值之间的相关系数达到了较高的水平。这不仅证明了传感器设计的合理性，也表明其在实际应用中的可靠性。通过进一步优化传感器的结构和参数，研究团队成功实现了对脑肿瘤相关生物标志物的高灵敏度检测，为临床提供了一种新的诊断工具。

本研究的创新之处在于将等离子体共振技术与机器学习算法相结合，从而构建了一个高效、准确的生物传感器平台。这种集成方法不仅提升了传感器的性能，还为未来的智能诊断系统提供了新的思路。此外，传感器的设计还考虑了实际应用中的各种因素，如材料的可加工性、成本效益以及在不同环境下的稳定性。这些因素对于推动该技术从实验室走向临床应用至关重要。

总体而言，本研究提出的多层等离子体生物传感器为脑肿瘤的早期诊断提供了一种全新的解决方案。通过结合等离子体共振增强和红外光谱技术，该传感器能够在无标记条件下实现对肿瘤相关生物分子的高灵敏度检测。同时，XGBoost机器学习算法的应用进一步提升了检测的准确性和可靠性。这一研究成果不仅具有重要的科学价值，还为未来的医学诊断技术发展提供了新的方向和可能性。