微塑料污染已成為全球關注的問題，據估計，海洋上層約有24.4萬億個微塑料碎片，這突顯了這種污染物在海洋環境中的廣泛存在。隨著時間的推移，微塑料污染對海洋生物群的累積影響已導致嚴重的健康威脅，并對整個生態系統構成極大風險。有效的采樣、準確的識別和可靠的微塑料化學表征對于了解其環境和生物影響至關重要。然而，由于環境微塑料的復雜性質，包括其不同的大小、形狀、降解階段、聚集和相關生物膜的存在等因素，仍然缺乏系統的方法。

微流控技術具有成本低、反應快、通量高、適用性強等優點，已成為當今顆粒分選和分離的強大工具。最近的研究表明，微流控的這種優勢已擴展到微塑料研究方面。

目前，將光譜（拉曼光譜和FTIR光譜）與參考光譜相匹配被廣泛認為是識別微塑料的金標準方法。然而，這種方法的準確性和效率會受到一些因素的阻礙。例如，由于缺乏針對不同環境樣本的綜合參考數據庫，對樣本的識別提出了挑戰，而且識別過程本身往往是勞動密集型的，而且依賴于專家的判斷。

當下，由于機器學習（ML）技術的快速發展，研究人員可以根據定制化的數據集提高模型的識別性能，并在發現新樣本時無需人工輔助即可做出適當的判斷。這些技術不僅能夠實現強大的特征提取和分類，而且具有很高的準確性、靈活性和適用性。

據麥姆斯咨詢報道，近期，美國羅德島大學（University of Rhode Island）的研究人員提出了一種簡化海洋微塑料采樣和識別過程的新方法。該方法集成了微流控、拉曼光譜和機器學習技術的優點，旨在提高海洋環境中微塑料分析的效率和準確性（圖1）。相關研究成果以“A microfluidic approach for label-free identification of small-sized microplastics in seawater”為題發表在Scientific Reports期刊上。

圖1 海洋微塑料識別流程示意圖

具體而言，研究人員通過將實驗室收集的樣本與公開可用的數據集相結合，構建了一個全面的訓練數據集。此外，該研究進行了非常系統的驗證，以評估和比較四種機器學習模型（支持向量機（SVM）模型、隨機森林（RF）模型、卷積神經網絡（CNN）和ResNet34架構）的微塑料識別性能。研究結果表明，CNN模型要優于其它模型，其平均分類準確率為93%。

圖2 描述四種機器學習模型在測試數據集上的分類準確性的混淆矩陣

此外，為了證明微流控裝置在捕獲和識別微塑料方面的有效性，該研究引入了一種具有篩狀結構的聚二甲基硅氧烷（PDMS）裝置，專門用于捕獲小尺寸顆粒。在一個概念驗證實驗中，所有被捕獲的原始粒子都被準確地識別出來。此外，該研究利用從當地海灘收集的樣本，成功驗證了該微流控裝置在現場采樣和識別方面的實用性。

圖3 在微流控裝置中捕獲熒光聚乙烯（PE）顆粒以及常規聚乙烯（PE）和聚苯乙烯（PS）顆粒

圖4 海水中被捕獲的顆粒

綜上所述，該研究構建了一種有前途的微流控裝置，專門設計用于微塑料的高效捕獲和識別。該研究所提出的捕獲方法在減少交叉污染和減少人工依賴方面具有很大的潛力。該微流控裝置不僅可以實現對原始微塑料顆粒的有效捕獲（雖然只能實現少量捕獲），同時還具有尺寸篩選能力。此外，相關實驗檢測已經成功地證明了該微流控裝置在真實海水中具有有效捕獲環境微塑料顆粒的能力。這些積極的試驗結果為該微流控裝置在現實世界中的實用性和有效性提供了令人鼓舞的證據。然而，重要的是要承認，仍有一些問題需要解決，以進一步提高該微流控裝置的性能。例如，增強該系統可拓展性的一種方法是實現并行化并串聯多個微流控裝置。這種方法可以提高捕獲過程的總體通量和效率。此外，雖然目前的粒子捕獲方法依賴于低流速下的流體動力，但將其它主動驅動的方法與芯片集成有可能進一步提高其通量。此外，手持式拉曼光譜與先進的機器學習識別系統的集成在微塑料的連續現場監測應用方面具有巨大的潛力。

另外，為了便于采用這一系統進行長期環境監測，成本效益成為一個至關重要的考慮因素。降低制造微流控裝置成本的一種可行方法是直接使用3D打印技術來制造微流控裝置本身。這種方法消除了對模具的需求，并簡化了制造過程，從而降低了成本。然而，3D打印微流控裝置所使用的材料是很重要的。鑒于該研究聚焦于微塑料的分析，有必要考慮在制造過程中引入額外塑料顆粒的潛在風險。仔細選擇適當的3D打印材料，盡量減少微塑料的釋放，以確保分析的完整性，避免引入不必要的污染物是必要的。

同時，由于環境顆粒的形狀、大小和獨特特性的差異，將這些因素納入考量以獲得最佳性能至關重要。然而，捕獲和識別環境納米塑料面臨著重大挑戰。將該系統與其它主動驅動方法相結合可以提供更有效的方法，特別是對于納米塑料。通過將這種微流控裝置的功能與用于納米塑料分析的主動驅動方法相結合，可以在未來的研究中實現環境樣品中納米塑料的全面表征。

此外，擴展拉曼光譜數據庫以包括更廣泛的可風化聚合物，并將其它材料的拉曼光譜納入訓練數據集中是必不可少的。這種擴展將增強機器學習模型識別各種類型環境顆粒的能力，并降低假陽性率。同時，該擴展還為評估不同機器學習算法的優缺點提供了可能，從而能夠全面分析和選擇最適合的模型，以進行準確可靠的預測。最后，通過利用數據分割技術并進行深入的成像分析，可以更深入地了解有關顆粒及其相互關聯的環境背景的有價值的見解?？偟膩碚f，這些知識將有助于更全面地了解環境顆粒的來源、發展和傳播，從而能夠實施有針對性的干預措施和緩解戰略。

審核編輯：劉清