当微流控遇上机器学习—自动化晶体筛选的“智能之眼”

在制药工业中，从发现一个活性药物分子到将其制成可供患者服用的片剂，平均需要十年时间和数十亿美元的投入，其中相当大一部分精力消耗在结晶工艺的开发上。同一种药物分子可能以多种晶型存在，不同晶型在溶解度、稳定性、生物利用度方面差异悬殊，而监管机构要求上市药物必须为最稳定的晶型并具备一致的物理性质。传统的晶型筛选依赖大量平行的批次实验，化学家需要配制数十乃至上百种不同溶剂/反溶剂组合，在显微镜下逐一观察晶体析出情况，过程繁复、通量低下且高度依赖操作者经验。美国伊利诺伊大学芝加哥分校Meenesh R. Singh团队与艾伯维公司合作，在《ACS Sensors》上报道了一种集成了电化学传感器和机器学习算法的连续流微流控结晶筛选平台，为这一痛点提供了自动化、智能化的解决方案。该平台的核心创新在于：首次将电化学过饱和度实时监测功能嵌入微流控结晶器中，并利用神经网络等机器学习模型从电化学信号中直接预测过饱和度，从而实现对结晶过程前所未有的精准控制。

研究人员首先系统评估了六种过渡金属对模型化合物L-组氨酸的电化学敏感性。通过循环伏安法扫描，发现铂电极在100 mV/s和1000 mV/s的扫描速率下均表现出最高的线性相关系数，意味着其电化学响应与溶液浓度之间存在最可靠的定量关系。基于此，铂被选定为丝网印刷工作电极的材料，并被嵌入3D打印的透明微流控混合器底部。该混合器设计有两个入口，分别通入L-组氨酸水溶液和反溶剂乙醇，两股液流在微通道内快速混合并进入一个圆柱形涡流区，晶体在此均匀成核并生长，而位于涡流区底部的电化学传感器则实时采集循环伏安曲线。实验发现，当反溶剂乙醇注入后，伏安曲线的阳极斜率会发生特征性的下降，并最终稳定在一个新的平台值，这个斜率的变化量直接关联着混合后溶液的过饱和度。研究团队在四种初始浓度和十种反溶剂比例下系统采集了阳极斜率数据，绘制出一张归一化的热图校准曲线。从这张热图可以看出，归一化后的斜率几乎完全由溶质浓度决定，反溶剂比例的影响微乎其微，表明铂传感器具有近乎理想的“浓度专一性”，这为后续的机器学习建模奠定了坚实的数据基础。

在机器学习建模部分，作者将初始浓度、反溶剂比例和实测阳极CV斜率作为输入特征，以文献报道的溶解度数据计算出的真实过饱和度作为输出标签，构建了监督学习任务。数据集被随机划分为训练集和测试集，并额外预留了一组完全未参与训练的验证数据。四种主流算法——神经网络、支持向量机、随机森林和梯度提升——被并行测试。结果显示，包含两个隐藏层、每层65个节点的神经网络模型表现最为出色，对测试集的预测准确率达到97.4%，验证集的预测误差也控制在可接受范围内。值得注意的是，神经网络在过饱和度大于8的极端区域出现了预测偏差，但这一区间在实际筛选中本就不具操作性，因为极高的过饱和度会导致微通道瞬间堵塞。与此同时，随机森林的表现最差，准确率不足80%且波动巨大，提示对于这种数据量有限但特征关系相对平滑的体系，深度神经网络强大的函数拟合能力更具优势。最终，经过训练和验证的神经网络模型被嵌入平台控制软件中，实现了“输入电化学信号-输出实时过饱和度”的在线闭环监测。这一成果不仅为药物结晶筛选提供了高效工具，其方法论更可推广至任何需要实时监测溶液浓度的微流控化学过程。