导读：

近期，山西农业大学生命科学学院申少斐教授团队发表综述，聚焦机器学习增强微流控细胞分选技术的前沿进展，系统梳理了主动式（磁激活、介电泳、声学流体、光镊）和被动式（确定性横向位移、惯性、粘弹性）两类微流控分选技术的原理、效率与应用场景，深入分析了传统机器学习（如支持向量机、K近邻）和深度学习（如卷积神经网络、YOLO、残差网络）在流场优化、细胞分类、误差校正中的融合应用，指出了模型泛化性、软硬件集成等核心挑战，同时展望了片上智能系统、多模态数据融合等未来方向，为精准医学的发展提供了关键技术参考。相关研究成果以“Advances in machine learning–enhanced microfluidic cell sorting”为题目，发表在期刊《Science Advances》上。

本文要点：

1、该综述聚焦机器学习增强的微流控细胞分选技术，系统阐述微流控与机器学习的融合应用及发展前景。

2、微流控细胞分选技术分为主动式（依赖外部场调制）和被动式（基于通道几何或流体动力学优化），前者包括磁激活、介电电泳等技术，后者涵盖确定性横向位移、惯性微流控等，两类技术各具优势但面临样本异质性、通道堵塞等问题。

3、机器学习的融合应用中，传统机器学习（如支持向量机、K近邻）需手动设计特征，在细胞分类中提升了自动化程度和客观性；深度学习（如卷积神经网络、YOLO框架）可自动提取复杂特征，显著提高分选精度和效率，尤其适用于稀有细胞识别。

4、挑战与未来方向方面，当前存在模型泛化性不足、软硬件集成复杂等挑战，未来需推动微流控系统功能集成、机器学习算法创新，以及多模态数据融合，助力精准医疗和个性化治疗发展。

一张图读懂全文

图1. 主动式和被动式微流控分选技术的进展概述，以及传统机器学习与现代深度学习在智能细胞分选中的融合应用，阐释了 “机器学习增强微流控细胞分选” 的核心主题。

图2. 主动式细胞分选技术。（A）基于毛细管的微流控芯片集成免疫磁珠，其结构设计经过优化，可用于磁珠制备和目标细胞捕获。（B）针对尺寸重叠的细胞，介电泳-惯性微流控器件结合介电泳力和惯性聚焦机制，实现基于尺寸的分离。（C）单细胞微流控液滴的荧光激活介电泳分选。（D）声学微腔平台，通过声学辐射力与单涡旋流动诱导的粘性效应协同作用，实现亚微米/纳米颗粒的富集。（E）光流体动态镊子通过光驱动的流体动力学场实现对颗粒的精准操控，在非接触分选应用中展现出多功能性。

图3. 确定性横向位移（DLD）技术。（A）DLD 器件中微柱结构的多种配置形式。（B）DLD 技术原理示意图，展示微米级周期性微柱阵列。（C）用于全血中有核细胞分选的平行倒 L 形 DLD 芯片结构及性能表征：有核细胞收集于 “分选” 流道，废液流道包含红细胞和血小板。（D）基于过滤器的高集成级联芯片（CFD-Chip），用于提升分离效率。（E）相同微球在不同微柱几何结构中的序列位置和流体流动变化：（a）I 形、（b）砧形、（c）倒砧形、（d）倒 T 形、（e）双倒 T 形、（f）L 形、（g）倒 L 形。

图4. 惯性微流控技术。（A）惯性微流控基本原理，突出颗粒聚焦和尺寸依赖性迁移特性。（B）低剪切应力下基于惯性微流控的血液中癌细胞分离。（C）基于带有序列微障碍物的半圆形微通道的高通量缓冲液交换系统。（D）用于提升颗粒聚焦和分离效率的蛇形惯性微流控通道。（E）用于高通量循环肿瘤细胞（CTCs）分离的迪安流分馏（DFF）技术示意图。（F）用于生物颗粒尺寸选择性分选的级联弹性-惯性细胞分离器件。

图5. 粘弹性微流控技术。（A）惯性微流控中微球的雷诺数依赖性聚焦行为。（B）粘弹性微流控流动中微球受到的流体动力学力。（C）用于从全血中直接分选细菌的螺旋惯性-粘弹性微流控技术。（D）基于粘弹性的微流控芯片实现小细胞外囊泡（sEVs）的无标记分离策略，无需生物标志物或外部场辅助。（E）通过粘弹性聚焦从血液中富集循环肿瘤细胞（CTCs）的示意图，其中 CTCs 被选择性对齐并与造血细胞分离。（F）超拉伸粘弹性微流控器件基于变形性实现肿瘤细胞分选，扩展了极端流动条件下稀有细胞分离的适用性。

图6. 传统机器学习算法已广泛与微流控系统集成，以提升诊断和分析能力。（A）线性判别分析（LDA）结合微流控技术实现胰腺癌诊断的高特异性外泌体分析。（B）K 近邻（KNN）算法用于微流控成像数据的实时模式识别，优化细胞分选准确率。（C）支持向量机（SVM）辅助双荧光流式细胞术（FCM），基于微流控平台中的形态学特征实现膀胱肿瘤细胞检测。（D）受试者工作特征（ROC）曲线和曲线下面积（AUC）指标验证了逻辑回归（LR）模型在动态流动条件下细胞表型分类的性能。（E）通过广义主成分分析（PCA）得到的 PC1 分数，区分带有表面增强拉曼散射（SERS）标记的细胞信号与背景噪声信号。（F）集成学习框架（包括极限梯度提升树 XGBoost 模型）利用纳米流控分离系统的外泌体衍生数据，实现胰腺癌细胞标志物的智能分类和时间分辨预测。（G）通过机器学习驱动的图像处理自动化肿瘤细胞聚类和亚群分析，为癌症群体的表型异质性研究提供支持。

图7. 深度学习（DL）架构。（A）多层感知器（MLP）。（B）利用三种不同波长的归一化散射强度的一维特征向量，结合卷积神经网络（CNN），实现循环肿瘤细胞集群（CTCC）峰与非 CTCC 峰的区分。（C）YOLOv8 用于从红细胞中分选 HeLa 细胞、从白细胞（WBCs）中分离癌细胞，以及区分白细胞亚型。（D）残差块设计旨在促进复杂特征学习，并缓解深度网络中的梯度衰减问题。

论文链接：https://www.science.org/doi/10.1126/sciadv.aea6007

(本文仅供参考学习及传递微流控研究成果，版权归原作者所有，如侵犯权益，请联系删除)