组成图示
点击图片查看大图 · 依据论文自动绘制
传感器类型
电化学生物传感器
检测对象
大肠杆菌腺苷酸激酶基因单链DNA（adk ssDNA）、大肠杆菌溶血素基因单链DNA（hly ssDNA，阴性对照）、大肠杆菌 F11/F24 单核苷酸差异 ssDNA；样品基质：缓冲液（buffer solution）
检测原理
该传感器为无标记电化学阻抗生物传感器。固定化寡核苷酸探针与目标 ssDNA 发生亲和杂交，结合事件改变电极-电解质界面的双电层结构，使双电层电容 Cd（或 CPE）及界面阻抗随时间变化。仪器在单频下施加激励电压并测量响应电流，获得实时阻抗 |Z(t)|。信号按 Langmuir 结合近似为指数弛豫模型 |Z(t)|=A1−A2exp(-αt)+ν(t)，其中 A1 为平衡阻抗，A2 与表面覆盖度/亲和力相关，α 与目标浓度/结合速率相关。算法将阻抗序列建模为复指数和，利用已知单位圆平凡极点等先验约束进行 HTLS/状态空间估计，提取 α、A2 等参数，从而定量反映目标 DNA 浓度与结合动力学。
检测灵敏度
—
效应效果
实验在 15 通道阵列、三个 5 传感器腔室中进行，缓冲液注入仅见漂移，adk 目标注入产生特异性指数响应，hly 阴性对照产生非特异响应，表明系统可区分特异与非特异结合。约束算法消除了负极点、近临界阻尼、欠阻尼和漂移导致的失效模式，未再观察到失效；五个特定响应通道的 α 均在平均值的 15% 以内，其中四个在 7% 以内，参数方差显著降低。对大肠杆菌 F11/F24 单核苷酸差异 ssDNA 的 A2 置信区间分离明显改善，并能观察到 F11 腔室 α 绝对值略小于 F24 腔室。作者认为系统可靠性与重复性已接近可部署现场试验。
传感器的构成
- 换能器电极：未标记电化学阻抗电极（unlabeled electrochemical impedance electrode，具体材料未报道），作为信号换能基底
- 识别元件：固定化寡核苷酸探针（immobilised oligonucleotide probe），35-mer ssDNA 探针，特异性识别大肠杆菌 adk 基因序列
- 双电层界面：电极-电解质双电层（electrical double layer），以双电层电容 Cd 或恒相元件 CPE 表征，结合事件改变界面阻抗
- 溶液/电解质层：缓冲液（buffer solution），提供离子导电通路，对应溶液电阻 RS
- 传感阵列：15 通道阻抗生物传感器阵列（15-channel impedance biosensor array），含三个 5 传感器腔室（5-sensor chambers），实现多通道同步检测
- 读出系统：实时阻抗测量仪器（real-time impedance measurement instrument），施加激励电压 v(t) 并采集响应电流 i(t)，输出单频阻抗 |Z(t)|
中文摘要
本文针对实时电化学阻抗生物传感器信号量化中的算法失效问题，提出一种基于先验信号模型约束的状态空间参数估计方法。此前作者报道了无标记实时阻抗生物传感器原型及状态空间估计算法，用于从单频阻抗响应中提取与结合动力学相关的参数。后续实验发现，在真实 DNA 亲和结合信号中，由于强非线性噪声、模型偏差、漂移及低信噪比，原算法会出现负极点、近临界阻尼、欠阻尼和漂移导致的参数估计失败，降低可靠性与重复性。为此，本文利用阻抗生物传感器信号模型中已知的单位圆平凡极点等先验信息，对 HTLS/状态空间估计进行约束，将已知极点从 Hankel 矩阵列空间中投影去除，再估计剩余极点与幅度。实验表明，约束算法消除了上述失效模式，显著降低参数方差，使五个特定响应通道的衰减常数一致性提高，并改善对大肠杆菌 F11/F24 单核苷酸差异 ssDNA 的 A2 置信区间分离，使系统接近可部署现场试验。
英文摘要
In previously published work [1] we presented a real-time electrochemical impedance biosensor prototype system and a state-space estimation algorithm for signal quantification. Experiments in the interim have revealed some algorithm failure modes which reduced the reliability and repeatability of quantification. The present work describes a related algorithm that introduces constraints based on a priori knowledge of the expected signals predicted by the biosensor signal model. The improvements in reliability and repeatability bring the system close to deployment for real-world trials.