导读：

近期，东南大学项楠教授联合中国科学院天津工业生物技术研究所王钦宏研究员等人，开发了一种智能无标记液滴分选系统（ILFDS），该系统通过集成微流控技术、实时图像识别与介电电泳分选，解决了传统单细胞封装中随机性高和标记依赖的难题。相关研究以“Intelligent label-free droplet microfluidic sorting system for single-cell encapsulation and morphology-guided screening”为题目，发表于期刊《Microsystems & Nanoengineering》。

研究人员利用基于深度学习的YOLO-D检测器与机器人操作系统，实现了在连续流条件下对液滴内目标的高效识别与精准分选。该系统采用创新的液态金属电极，能够在250–350 V的低电压下运行，有效减少了液滴变形并保护了细胞活性。实验结果显示，该系统对微颗粒及多种藻类的检测准确率超过98%，并将单目标液滴的比例提升了数倍。此外，ILFDS在处理混合生物样本时表现出卓越的形态学鉴别能力，为高通量、无损伤的单细胞分析提供了多功能的科研平台。

本文要点：

1. 系统核心架构与创新

该系统集成了液滴微流控、实时图像识别和介电泳（DEP）分选技术。

• 微流控芯片模块：划分为液滴生成、间距调节、检测、分选及收集五个功能区，通过在间距区引入额外油相增加液滴间距，有效减少干扰并提升后续检测与分选的精度。

• 图像识别模块：采用针对液滴识别优化的 YOLO-D 深度学习模型，实现了对液滴内目标的实时定位与形态学分类，而非仅仅是数量统计。

• 分选驱动模块：利用创新的液态金属电极产生非均匀交流电场，通过正向介电泳（pDEP）实现液滴的受控偏转。

• 软件框架：使用机器人操作系统（ROS）作为通信框架，实现了图像采集、神经元网络推理与硬件执行器之间的高效协同。

2. 关键技术优势

• 低电压与低损伤：系统在 250–350 V的低电压下运行，最大限度地减少了液滴变形，有效保护了细胞的完整性和生物活性。

• 无标记检测：突破了传统荧光激活分选（FADS）对生物标记物的依赖，能够捕获丰富的形态学特征，避免了荧光染料对细胞生理状态的潜在干扰。

• 克服随机封装限制：通过主动分选，克服了液滴封装中固有的泊松分布（Poisson distribution）随机性，显著提高了单目标液滴的比例。

3. 实验表现与性能指标

在针对不同目标的单目标液滴分选实验中，ILFDS 系统表现出卓越的精度：

• 检测精度与效率：对微球及两种微藻（雨生红球藻和四尾栅藻）的检测精度均超过 98%，分选效率高于 85%。

• 纯度提升：分选后，单目标液滴的比例分别提升了约 15 倍（微球）、11.37 倍（雨生红球藻）和 4.59 倍（四尾栅藻）。

• 复杂样本分选：在处理混合藻类（如长形的眼虫藻与球形的雨生红球藻）时，基于形态特征的分选精度超过 90%，分选效率超过 89%。

4. 应用前景

ILFDS 系统为单细胞分析、定向进化以及高通量微生物或藻类筛选提供了一个多功能平台。其能够处理异质生物样本的能力，使其在疾病研究、新药靶点发现和个性化医学领域具有重要的应用潜力。

ILFDS系统（智能无标记液滴分选系统）通过深度集成液滴微流控、实时图像识别与介电泳（DEP）分选技术，实现了对液滴内目标的无标记、形态引导式高精度分选，具体过程可分为以下几个关键步骤：

• 液滴生成与间距调节：首先，利用流动聚焦结构将微小目标（如细胞或微球）封装在液滴中。随后，在间距调节区引入额外的氟化油，以增加相邻液滴之间的距离，从而减少相互干扰，提高后续检测和分选的准确性。

• 基于深度学习的实时检测：当液滴流经检测区时，高速CMOS相机捕获其实时图像。系统内置的 YOLO-D 神经网络检测器会对图像进行实时处理，识别液滴内目标的形态特征（如形状、大小）和位置。这种“无标记”方式避免了传统荧光检测对生物标记物的依赖及对细胞的潜在伤害。

• ROS驱动的软件协同：系统采用机器人操作系统（ROS）作为通信框架，实现了图像采集、神经元网络推理与分选控制信号之间的并行处理。它能根据液滴速度、相机延迟和算法处理时间，计算出精确的分选触发延迟，确保检测与下游执行器的同步。

• 介电泳主动分选：一旦识别到目标液滴，分选控制器会驱动电压放大器，通过液态金属电极在分选区产生非均匀交流电场。利用液滴与周围油相之间的介电差异产生正向介电泳（pDEP）力，将目标液滴横向吸引并偏转进入收集通道，而未受触发的非目标液滴则流向废液口。

图1 基于深度学习目标检测器 YOLO-D 的智能无标记液滴分选系统设计。a ILFDS 系统的整体构型。b 液滴生成区域中包封不同微目标的液滴图像（目标 i：雨生红球藻 Haematococcus pluvialis；目标 ii：裸藻 Euglena gracilis；目标 iii：微粒；空白 0：空液滴）。c 数据传输与处理流程。d 液滴分选流程。e 由 ILFDS 系统收集得到的微目标液滴与空液滴图像。比例尺为 100 μm。

图2 ILFDS 系统的训练与数据分析流程。a 网络图像训练过程。对每幅图像中的目标液滴进行标注，并将图像中目标液滴的类别及位置坐标作为神经网络学习的目标特征。b ILFDS 系统在不同检测状态下的信号输出模式，以及 ROS 输出的目标检测效率与目标距离结果。

图3 不同目标对象的网络训练结果。分别对 a 30 μm 颗粒、b 雨生红球藻 (Haematococcus pluvialis) 和 c 四尾栅藻 (Scenedesmus quadricauda) 进行了表征，包括：(i) 各自的数据集；(ii) 不同类型及背景条件下的网络混淆矩阵；(iii) P-R 曲线；(iv) F1 分数。

图4 实时检测与分选过程以及液滴形变分析。a 目标液滴（液滴 1、2 和 4）与非目标液滴（液滴 3）的实时检测、分选与信号处理流程。b 不同电压下液滴的形变因子 AR。c 不同电压条件下液滴的分选轨迹。比例尺为 100 μm。

图5 ILFDS 系统中不同目标的实时分选过程及效率。a 30 μm 颗粒；b 雨生红球藻 (Haematococcus pluvialis)；c 四尾栅藻 (Scenedesmus quadricauda)。红色箭头表示检测目标，黑色箭头表示非目标。DE 表示检测效率（Detection Efficiency），SE 表示分选效率（Sorting Efficiency），CP 表示收集纯度（Collection Purity）。比例尺为 50 μm。

图6 利用 ILFDS 系统基于形态特征对混合藻液进行实时检测与分选。a、b 从混合藻群中选择性分选裸藻 (Euglena gracilis，细长形态)。c、d 从同一混合体系中选择性分选雨生红球藻 (Haematococcus pluvialis，球形形态)。e 两种藻类的分选效率（SE）与收集纯度（CP）的定量评估。比例尺为 100 μm。

论文链接：https://doi.org/10.1038/s41378-026-01349-3

(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)