《Biosensors and Bioelectronics: X》：A novel optically gated thin-film transistor sensor for real-time chemical differentiation using machine-learning analysis
编辑推荐：
为解决现场环境中PFAS（全氟/多氟烷基物质）等化学物质快速实时检测的难题，研究人员开展了一项关于“光门控薄膜晶体管传感器”的研究。他们开发了一种无需参考电极或表面功能化的新型传感器（ENVIR-OGT），通过结构化的光脉冲序列激发瞬态电响应，并结合机器学习分析波形特征，成功在甲醇溶剂制备样品中，以高准确度（95-99%）实时区分了三种醇类（甲醇、乙醇、异丙醇）和三种PFAS物质（全氟辛烷、全氟戊酸、全氟丙酸），并实现了总有机氟（TOF）的分类（准确度94%）。该研究为紧凑、可推广的现场实时化学鉴定传感器架构提供了概念验证。
在工业、环境和生物领域，全氟和多氟烷基物质（PFAS）因其持久性和流动性而受到越来越多的审视。然而，在疑似泄漏事件发生后，如何快速识别PFAS仍然充满挑战。当前可用的分析方法，如质谱等，通常需要集中的实验室基础设施和较长的周转时间，这在许多需要现场即时评估的土壤、地表残留物或工艺材料检测场景中并不实用。传统的PFAS传感技术，如电化学平台、分子印迹传感器等，往往依赖于专门设计的表面功能化、选择性受体或复杂的平衡过程，这可能在现场制备的样品中引入稳定性、重现性和校准方面的挑战。因此，迫切需要一种不依赖选择性表面化学，而是能从设备固有动力学中提取化学信息的新型传感架构。
针对这一需求，Lukas M. Crockett、Jacob Jackson、Tucker P. Gratton、Jenée D. Cyran、Bamidele Omotowa和Kristy A. Campbell等研究人员在《Biosensors and Bioelectronics: X》期刊上发表了一项研究，展示了一种名为“环境光门控晶体管”（ENVIR-OGT）的新型传感器。这是一种基于硅的、结构简单的薄膜晶体管传感器，其独特之处在于，它通过光来“询问”化学物质，而非依赖化学“钥匙”。
ENVIR-OGT的核心器件结构非常简单：一个具有本征氧化层的p型硅衬底，上面沉积一层非晶态Ge2Se3薄膜作为光门控层，再在两侧制作钨（W）源极和漏极。关键在于，Ge2Se3层的部分区域是暴露的，用于放置待测液滴和接受光照。其工作原理也颇有“动态艺术”感：在黑暗状态下，器件通道电阻极高（GΩ级别）。当特定序列的可见光脉冲照射在器件表面时，光线会同时在非晶Ge2Se3层和下方的p型硅衬底中产生电子-空穴对。在硅中，这会产生表面光电压（SPV），从而像一道“电闸门”一样，通过电容耦合影响上层通道的电导。在Ge2Se3层中，光生载流子则会被局域态的“陷阱”捕获和释放，这个过程相对较慢。这两种发生在不同时间尺度上的光电子过程相互耦合，共同调制了源极和漏极之间的电流，产生一个随时间变化的、复杂的瞬态电响应波形。而不同的化学物质（分析物）存在于器件表面时，会以特定方式改变这种光诱导的界面静电特性，从而在瞬态响应波形中留下独特的“指纹”。研究人员借鉴了磁共振谱学中的思路，使用精心设计的、包含不同间隔和持续时间的四组光脉冲序列去“探询”器件，以激发出蕴含丰富化学动力学信息的响应特征。
为了验证这一概念，研究人员选择了三组化学物质进行测试：三种常见的醇类（甲醇、乙醇、异丙醇，均为纯物质）和三种具有结构代表性的PFAS物质（全氟辛烷C8F18、全氟戊酸PFPeA、全氟丙酸PFPrA，各以1 ppm的浓度溶解在甲醇中）。在测量时，他们首先在空气中测量基线响应，然后将1微升样品滴在器件表面，立即施加预设的光脉冲序列，并同步记录电压波形，从而计算出通道电流IDS。每个样本都在一个新的ENVIR-OGT器件上进行测量，以涵盖器件间的差异性并确保数据独立性。
接下来，对采集到的大量瞬态波形进行数据预处理和特征提取。他们从每个脉冲序列的波形中，定义了多个“感兴趣的区域”，包括脉冲上升沿、下降沿、稳态区以及峰值变化趋势。对这些区域，不仅计算了均值、标准差、最小值、最大值等统计特征，还使用了特定的数学模型（如多指数函数）进行拟合，提取出时间常数、振幅等拟合参数。例如，上升沿用三指数增长函数拟合，下降沿用拉伸指数衰减函数拟合。这些从波形中提取的数百个特征，构成了机器学习模型识别化学物质的“词汇表”。
主要技术方法包括：
- 1.
ENVIR-OGT器件制备：在具有本征氧化层的p型硅片上，通过溅射沉积20-25 nm厚的非晶Ge2Se3薄膜和35 nm厚的W电极，电极间距约2 mm，并将晶圆切割成20 mm × 10 mm的芯片用于测试。
- 2.
电学测量与光脉冲激发：使用微探针台，配合Digilent Analog Discovery 2设备产生同步波形并采集数据。通过“白光”LED施加由四组不同时序构成的结构化光脉冲序列，同时记录负载电阻两端的电压以计算通道电流。
- 3.
机器学习分类：使用Python进行数据分析，从瞬态响应波形中提取大量特征。采用“一对多”（OvR）策略，为每种化学物质训练一个独立的随机森林（RF）分类器，用于判断样品中是否存在该物质。同时，也训练了多类RF分类器和专门用于检测总有机氟（TOF，即所有PFAS合并为一类）的分类器，以评估不同分类策略的性能。数据集按80%/20%的比例随机划分为训练集和测试集，并多次重复以评估模型稳定性。
研究结果
3.1. ENVIR-OGT结构和工作原理概述
器件的电流-电压（I-V）特性曲线显示出类似场效应晶体管的行为，且在光照下出现滞后现象，这与Ge2Se3层中的电荷俘获有关。控制实验（如移除Ge2Se3层或更换衬底氧化层）证实器件的响应依赖于p-Si和非晶Ge2Se3层的共同作用。
3.2. 脉冲序列测试结果
不同化学物质展现出了独特且可重复的瞬态响应“指纹”：
- •
醇类：甲醇样品的第一个脉冲序列振幅显著大于第二个序列；乙醇样品的两个序列振幅差异较小；而异丙醇样品的振幅在四个序列中几乎保持恒定，甚至在序列内略有增加。此外，甲醇响应在第二个序列的最后一个脉冲后观察到一个轻微的位移电流特征。
- •
PFAS：非极性的全氟辛烷（C8F18）响应独特，在第二个脉冲序列中常出现明显的位移电流瞬态，随后的序列振幅迅速衰减，到第四个序列时响应已接近基线。全氟戊酸（PFPeA）和全氟丙酸（PFPrA）也表现出各自的特征波形。
3.3. 机器学习化学鉴定
基于从波形中提取的特征，机器学习模型实现了高精度的化学物质区分：
- •
多类RF分类器：对所有六种化学物质进行分类，在代表性试验中，PFAS中的C8F18和PFPrA、醇类中的甲醇和异丙醇均被100%正确分类，全氟戊酸（PFPeA）和乙醇的准确率也达到90%以上。模型在所有试验中的平均准确率为91.2%。
- •
一对多（OvR）RF分类器：为每种物质提供独立的“存在/缺席”判断，所有类别的准确率均超过90%，展现了可靠的检测性能。
- •
总有机氟（TOF）分类：当把所有三种PFAS合并为一个“TOF”类别时，模型能清晰地将氟化样本与非氟化样本（醇类）区分开，准确率超过95%。这表明ENVIR-OGT能够捕捉到与氟化相关的共同波形特征。
3.4. 分类性能总结
特征重要性分析显示，对分类贡献最大的特征通常是脉冲序列中特定区域的最小值、最大值等简单统计量，而非复杂的拟合参数。这表明ENVIR-OGT的瞬态响应虽然复杂，但其蕴含的化学特异性信息可以用相对低维的描述符有效表征，具有很高的信息压缩性。
结论与讨论
这项研究成功证明，在一个结构极其简单的薄膜晶体管中，通过光门控产生的瞬态电响应，无需任何化学表面修饰或参考电极，就能提取出具有化学特异性的信息。ENVIR-OGT传感器利用精心设计的光脉冲序列作为探针，激发出的动态响应波形如同化学物质的“动力学指纹”，其差异系统性地依赖于化学环境。通过机器学习分析这些波形特征，研究实现了对常见醇类以及不同链长（包括短链和超短链）PFAS个体的高精度区分，并能有效检测总有机氟。
这项工作的核心创新在于其传感策略的转变：从依赖静态的、基于平衡或特异性识别的表面化学，转向利用动态的、由光脉冲调制的器件本征物理过程来获取信息。这种策略灵感来源于磁共振谱学，通过调控脉冲时序来选择性探测不同的弛豫路径和相互作用机制。在ENVIR-OGT中，光脉冲的时序和间隔同样决定了哪些光诱导和陷阱介导的过程主导观测到的响应，从而允许强调不同的动力学机制。
尽管本研究专注于在甲醇溶剂制备的受控样品中建立化学区分概念，但初步测试表明该技术在水溶液中也保持区分能力。这为未来在更复杂的环境水基质（含有各种离子、有机物）中进行现场检测铺平了道路。未来的研究方向包括探索检测限、化学混合物、波长依赖性、自适应脉冲序列设计，以及在实际环境样本中的测试，以进一步增强其选择性、鲁棒性和适用性。总之，ENVIR-OGT为开发紧凑、通用、适用于现场实时化学鉴定的新型传感器架构，提供了一条充满希望的新途径。
