《Biosensors and Bioelectronics: X》：Machine learning-assisted optimization of CNC-micromilled PMMA microchannels for predictable hydraulic performance and low protein fouling resistance
编辑推荐：
为解决微流体芯片制造中，微铣削引起的表面粗糙度影响水力性能和生物相容性的难题，研究人员利用机器学习预测PMMA微通道的表面粗糙度，并建立与压力降的关系，开发了可指导参数优化的用户界面，实现了水力性能的可预测性，为高性能微流控器件的“首次即成功”制造提供了新策略。
在生物医学诊断、化学合成和流体力学研究等领域，微流体芯片正扮演着越来越重要的角色。它们能精确操控微量流体，模拟复杂的生理微环境，对细胞培养、药物筛选和疾病检测至关重要。其中，由聚甲基丙烯酸甲酯（PMMA）制成的微流控器件因其出色的光学透明度和生物相容性而备受青睐。然而，一个长期困扰研究者和工程师的难题是：在通过计算机数控（CNC）微铣削技术制造这些微小的通道时，刀具在材料表面留下的“痕迹”——即表面粗糙度——会像河道中的礁石一样，影响流体的顺畅通行，导致压力降增加、流量控制不精确，甚至可能影响细胞行为。更棘手的是，这些粗糙的表面还可能成为蛋白质等生物分子的“吸附热点”，导致器件污染和性能下降。传统上，为了获得理想的通道性能，研究者们不得不反复试验不同的铣削参数，耗时耗力且浪费材料。有没有一种更聪明的方法，能在制造之前就“预见”并“设计”出我们想要的通道表面和流体性能呢？
为了回答这个问题，一项发表于《Biosensors and Bioelectronics: X》的研究提出了一种数据驱动的新框架，巧妙地将制造工艺、材料表面特性与最终器件的功能性能联系起来。研究人员通过整合机器学习（ML）建模、流体力学实验和初步的生物相容性测试，旨在实现PMMA微通道从“制造”到“功能”的精准预测与优化。
研究者们主要运用了以下几项关键技术方法：首先，他们使用CNC微铣床在PMMA基板上加工了264个样本，系统性地改变了主轴转速、进给速率、切削深度、步距等8个铣削参数，构建了表面粗糙度数据集。其次，利用白光干涉仪（WLI）精确测量每个加工表面的算术平均粗糙度（Ra）。接着，他们应用多种机器学习算法（如梯度提升回归GBR、支持向量回归SVR、线性回归LR）对数据进行分析和建模，以预测表面粗糙度。此外，研究还建立了一个包含84个数据点的摩擦因子数据集（源自文献），用于建模表面粗糙度与水力性能（压力降）之间的关系。最后，基于这些模型，他们开发了一个交互式用户界面（基于Python Dash框架），允许用户输入铣削参数和通道几何尺寸，即可预测表面粗糙度、摩擦因子并计算单位长度的压力降。
表面粗糙度数据集与机器学习性能
研究人员创建了一个包含264个样本的表面粗糙度数据集。通过特征重要性排序，他们发现“最大步距”是对表面粗糙度影响最显著的参数，与粗糙度呈强正相关（皮尔逊相关系数r ≈ 0.76）。在去除异常值后，他们用四种不同的特征组合训练了多种ML模型。性能最佳的模型在测试集上达到了0.168至0.186微米的均方根误差（RMSE），表明模型能较为准确地预测表面粗糙度。其中，梯度提升回归（GBR）和线性回归（LR）等模型在不同特征组合下表现良好。这些模型随后通过基于逆RMSE的集成方法进行整合，以提升预测的稳健性。
摩擦因子数据集与用户界面验证
为了将表面形态与水力性能关联，研究人员基于文献数据建立了一个摩擦因子数据集，包含雷诺数（Re，10-60）、相对粗糙度（5-7.5%）和摩擦因子。他们使用5次多项式回归模型对该数据集进行拟合，取得了较高的决定系数（R2= 0.937）。该模型与上述表面粗糙度预测模型一同被嵌入到一个用户界面中。该界面允许用户输入铣削参数、通道尺寸、雷诺数和相对粗糙度，进而预测表面粗糙度、摩擦因子，并通过达西-韦斯巴赫方程计算压力降。用户还可以选择使用预测的表面粗糙度来计算相对粗糙度，从而获得压力降，这为设计提供了灵活性。
PMMA微流控实验评估
芯片制造：研究采用丙烯酸溶剂键合技术成功制备了无泄漏的PMMA微流控芯片，验证了制造方法的可行性。虽然观察到一些微裂纹，但并未影响芯片在测试中的密封性能。
压力降实验：研究制造了两个具有不同通道尺寸的芯片，通过测量压力差来分离并计算目标微通道的摩擦因子。实验在相对粗糙度低于1%的条件下进行，雷诺数范围在10到40之间。结果表明，实验测得的摩擦因子曲线与光滑管理论公式（64/Re）的趋势基本一致，误差带很小。这验证了当相对粗糙度低于1%时，其对压力降的影响可以忽略，这一阈值与先前文献报道相符。
蛋白吸附实验：为了探究微米级表面粗糙度是否影响蛋白质吸附，研究人员制备了具有低粗糙度（A组）和高粗糙度（B组）的两组PMMA微流控芯片，并让牛血清白蛋白（BSA）溶液流经通道。通过BCA检测法对残留蛋白质进行定量。结果显示，较高粗糙度的通道组（B组）测得的平均蛋白质浓度（0.151 ± 0.078 mg mL-1）比较低粗糙度组（A组，0.105 ± 0.071 mg mL-1）更高。散点图分析显示粗糙度与蛋白质浓度之间存在微弱的正相关趋势（R2≈ 0.29）。这表明在微米尺度上，表面粗糙度对蛋白质吸附有潜在影响，但并非主导因素，表面化学性质等其他变量可能起着更关键的作用。
研究的结论与讨论部分强调了该集成框架的重要意义。这项研究成功地在PMMA微流控领域建立了一个从制造参数到表面特性，再到水力性能的预测链条。机器学习模型能够以低于0.2微米的误差预测表面粗糙度，而水力模型则能将此与压力降关联起来。这标志着从“试错法”制造向“首次即成功”的预测性设计迈出了关键一步。用户界面作为工具，使得工程师和研究人员可以在实际加工前，通过调整铣削参数来“定制”所需的流体性能，从而减少材料浪费和开发时间。
实验证实，对于相对粗糙度低于1%的高精度微流控器件，其摩擦行为符合经典的光滑管理论，这为高性能器件的制造设定了一个明确的表面质量目标。此外，初步的蛋白吸附实验虽然只显示了弱相关性，但它开辟了一个新的视角：即通过控制制造工艺引起的表面形貌，可能成为调节微流控器件生物界面相互作用的潜在手段之一。这为未来开发抗污染或特定生物分子捕获的器件提供了新思路。
当然，该研究也存在一些局限性。例如，表面粗糙度数据集受限于特定的刀具和参数范围；摩擦因子模型的训练数据范围较窄（Re: 10-60）；蛋白吸附实验的样本量较小，且粗糙度的影响较弱。未来的工作可以通过扩展数据集、结合更精细的表面形貌表征技术（如原子力显微镜AFM）、以及采用更灵敏的蛋白检测方法（如荧光显微镜）来进一步深化理解。此外，将物理约束整合到机器学习模型中，或探索该框架在其他热塑性塑料（如聚碳酸酯PC、聚苯乙烯PS）或其他制造技术（如3D打印）上的适用性，也是值得期待的方向。
总而言之，这项由Ali Norouzi、Erfan Ahmadinejad、Isil Cakiroglu、Hazal Celik、M. Tugrul Birtek、Abdollah Ahmadpour和Savas Tasoglu完成的研究，展示了一种将先进制造、数据科学和微流控功能需求相结合的强大范式。它不仅为PMMA微流控器件的优化设计提供了实用工具，也为更广泛的“智能制造”在生物医学工程领域的应用树立了典范。
