南华大学谭誉宇/杨健教授团队Anal. Chem：人工智能赋能的多指标电化学传感器阵列用于精准诊断肾脏疾病
近期南华大学谭誉宇/杨健教授团队在ACS旗下的中科院一区Top期刊《Analytical Chemistry》发表题为“AI-empowered and a bio-/nanoenzyme-hybrid multi-sensors array toward precision diagnosis of kidney diseases”的研究论文，此工作设计了一种人工智能赋能的生物/纳米酶混合多指标传感器阵列（AI-BMA）用于肾脏疾病的精准诊断和风险预测，采用一维卷积神经网络（1D-CNN）和多层感知器（MLP）技术集成分析多标志物电化学指纹图谱，建立了从电化学信号采集到慢性肾脏疾病（CKD）多维度精确诊断的端到端工作流程，为筛查肾脏疾病提供了一种替代方案，有望帮助患者/临床医生在资源有限条件和居家护理场景下进行CKD风险评估。
研究背景
慢性肾脏病（CKD）已成为全球范围内常见的慢性非传染性疾病，成年人患病率超过10%。CKD患者常伴随高尿酸血症、糖尿病及高血压等严重并发症，且由于早期症状隐匿，极易导致诊断延误。目前，在尿液无创评估中，肌酐（Cr）、尿酸（UA）和酸碱度（pH）是衡量肾脏健康状态的核心化学成分，对疾病的识别起到了关键作用。肌酐作为评估肾功能的金标准，反映了肾小球的滤过水平；而尿酸浓度与pH值的波动则协同决定了代谢结晶的沉积风险及肾组织的代偿负荷。然而，单一指标检测难以捕获病理过程的综合特征。即便多标志物联检，其产生的电化学谱图亦包含复杂的非线性关联与背景干扰，传统的人工特征提取方法在处理这些繁杂的原始信号时，往往难以实现深层信息的精准剥离与跨维度的联合解析。因此，推动CKD风险评估向准确高效的智能化监测技术转型具有重大的临床意义。
本文开发了一种生物/纳米酶的多通道激光诱导石墨烯传感器阵列（AI-BMA），该阵列将多重电化学指纹图谱技术与人工智能技术相结合，构建了一种人工智能辅助的多重电化学指纹图谱技术用于肾脏疾病的精准诊断与风险评估（图1）。
图1. 用于CKD检测的AI赋能和生物/纳米酶混合多传感器阵列的示意图。(a) Cr、pH和UA传感器的电化学传感机制。(b) 传感器阵列检测和电化学数据采集。(c) 基于AI-BMA信号输出和人工智能驱动分析的CKD风险预测的端到端算法策略。
研究内容
利用AutoCAD软件设计了传感电极阵列的结构和形状，并采用可图案化的激光诱导石墨烯（LIG）技术在柔性聚酰亚胺（PI）薄膜上实现了电极阵列的原位制备。该传感阵列采用五电极结构设计，包含一个参比电极（RE）、一个对电极（CE）以及三个独立的工作电极（WE）。为改善电极表面的电化学响应特性，通过电沉积工艺在工作电极表面负载了金纳米颗粒（AuNPs）。在此基础上，各工作电极分别进行了针对性的功能化改性：Cr传感器通过在聚苯胺（PANI）基质上固定肌酐脱氨酶（CDI）构建而成，利用酶促反应引起的酸碱度变化进行感测；UA传感器通过在电极表面修饰尿酸氧化酶（UOx）以实现对目标分子的识别。而pH传感器则采用了电聚合成膜的PANI作为质子敏感层，制备流程如图2a。这种生物/纳米酶杂化修饰方案构建了多功能的传感矩阵，为后续尿液样本的多维信号采集与数据解析提供了基础实验平台。
通过扫描电子显微镜（SEM）表征了电极的微观形貌演变（图2b-2f）。裸LIG电极呈现出三维多孔网络结构，为后续功能化提供了物理基础。电沉积AuNPs后，电极表面可见均匀分布的球形颗粒，增加了有效电极面积。随后修饰的PANI与酶层分别呈现出纤维状与膜状形貌，为感测界面的成功构建提供了直观依据。同时，利用循环伏安法（CV）进一步验证了修饰过程的有效性。在[Fe(CN)6]3-/4-氧化还原体系中，电极初始表现出一对氧化还原峰。而随后的PANI、酶分子（CDI或UOx）及BSA的引入导致峰电流依次递减。这种电化学信号的逐步降低趋势归因于非导电层增加了界面电子转移阻力，从而证实了功能化层在电极表面的顺序组装。
图2. 传感器阵列电极加工和表征。(a) 多传感器阵列的制备过程示意图。(b-f) 不同修饰阶段电极的 SEM 图像：(b) 裸LIG、(c) AuNPs/LIG、(d) PANI/LIG、(e) CDI功能化LIG以及 (f) UOx功能化LIG 电极。(g) 传感电极在连续改性步骤中的循环伏安图。
本研究利用CHI660E电化学工作站对多通道传感阵列的响应特性进行了评估。实验在含有目标分析物的PBS缓冲液中进行，涵盖了3-15 mM的Cr（循环伏安法，CV）、0.1-1.0 mM的UA（计时电流法，i-t）以及3.0-9.0的pH范围（开路电压法，OCP）。随着分析物浓度的梯度递增，三个工作电极分别呈现出规律性的阴极还原峰电流演变、阶梯式电流增长及电位阶跃。在针对尿素、葡萄糖及常见离子的干扰实验与连续重复测量中，各传感单元的响应偏差与相对标准偏差（RSD）均保持在5%以内（图3）。这种基于不同检测原理产生的差异化响应构成了多模态电化学指纹图谱的获取基础，证明了该系统通过多维度信号采集实现复杂组分分析的可行性，为后续人工智能算法的训练提供了稳定的数据来源。
图3. 多传感器的电化学性能分析。(a, f, k) Cr、UA和pH传感器的传感机理。(b, g, l) Cr、UA和pH传感器的特征响应（CV、i-t和OCP）。(c, h, m) Cr、UA 和 pH 传感器的校准曲线。(d, i, n) Cr、UA和pH传感器经过十次测量的重复性。(e, j, o) Cr、UA和pH传感器针对干扰物质的选择性。
本工作构建了一种AI-BMA的端到端算法模型。针对Cr检测中具有复杂时变关系和氧化还原峰模式的高维CV信号，框架采用1D-CNN模型进行分层特征提取。而对于信号特征相对稳定、维度较低的UA（i-t曲线）及pH（OCP曲线），则选用计算效率更高的MLP架构执行回归任务，以平衡预测精度与计算负荷。此外，通过决策算法可以进一步实现CKD的风险评估。在训练过程中，应用了学习率预热策略，即在进入逐渐衰减阶段前，学习率在最初的20%轮数内线性增加到预设的最大值。为确保稳健的模型评估，对所有三种生物标志物实施了五折交叉验证，并始终以均方误差（MSE）作为损失函数。
AI模型的引入优化了传感器阵列的定量分析能力。其中，Cr传感器的MAE由2.41%降低至0.61%，1D-CNN的使用有效消除了数据中的极端异常值并收窄了恢复分布。针对UA与pH传感器，MLP模型分别将预测误差由11.69%和4.01%降至2.70%及0.68%，有效改善了低浓度范围内的线性拟合偏差。这种算法的选择性应用验证了系统补偿传感器偏差与基线漂移的可行性，通过整合高维指纹特征实现了预测性能的整体提升（图4）。
图4. AI-BMA平台的性能评估与风险预测。(a) 线性拟合与1D-CNN 模型预测肌酐结果的对比。(b)线性拟合与1D-CNN模型获得的预测肌酐回收率的箱线图。(c) 比较预测肌酐回收率MAE的柱状图。(d-f) 对应的UA传感器的性能评估。(g-i) 对应的pH传感器的性能评估。(j) 1D-CNN模型的训练与验证损失曲线。(k) 基于尿液pH与UA/Cr比联合分布的风险倾向相图。
总结
本研究开发了一套面向肾脏疾病的AI-BMA智能分析系统。该系统集成了生物/纳米酶混合传感、多维度信号采集、智能特征校准和病理风险决策，为CKD风险评估提供了一种高效准确的方法。采用LIG技术制造的混合多传感器能够精确监测尿液中Cr、UA和pH值。与传统单一参数方法相比，它能够全面捕捉尿液中肾脏生理状态的动态变化。采用1D-CNN模型处理Cr分析中的复杂信号，以提取深层特征信息，而对于数据分布相对平稳的UA与pH值，则选用MLP模型进行定量预测。这种多架构方法有效优化了预测精度性能，分别实现了0.61%（Cr）、2.70%（UA）和0.68%（pH）的MAE值。通过整合基于多生物标志物耦合逻辑的后端决策算法，该系统能够有效提供清晰的个体CKD风险等级输出。这项工作展示了将先进传感技术与人工智能算法相结合的巨大潜力，将分析任务从基本测量转变为决策支持，为CKD等复杂疾病的早期筛查及居家监测提供了新的解决途径。
南华大学电气工程学院电子信息专业硕士生朱琴和生物医学工程专业本科生彭守川和南华大学附属第一医院检验科刘双全主任为论文共同第一作者，南华大学电气工程学院生物医学工程系谭誉宇副教授和杨健教授和湖南工业大学生物科学与医学工程学院贺全国教授为论文的通讯作者。该论文得到了国家自然科学基金、湖南省自然科学基金、湖南省教育厅重点科研项目、南华大学高层次人才基金的资助与支持。
文献信息：Qin Zhu1, Shouchuan Peng1, Shuangquan Liu1, Yuting Xiao, Quanguo He*, Yuyu Tan*, Jian Yang*，AI-Empowered and a Bio-/Nanoenzyme-Hybrid Multisensors Array toward Precision Diagnosis of Kidney Diseases，2026.
文献链接：https://pubs.acs.org/doi/10.1021/acs.analchem.6c00066，DOI:10.1021/ acs. analchem.6c00066
