近日，北京理工大学张帅龙、符荣鑫团队联合多家单位，在Nature旗下期刊Nature Sensors发表研究论文《Transforming microdroplets  into intelligent robots for autonomous colorimetric sensing》。在读博士生郭宗良为论文第一作者，符荣鑫、张帅龙为共同通讯作者。

    研究团队应用奥素科技DM LITE有源数字微流控驱动系统与AM 16K芯片，构建了智能微液滴分析机器人系统IMAR（Intelligent Microdroplet Analytical Robotics），探索数字微流控与人工智能融合的检测新路径。

    一滴液体，能否成为会“看”、会“判断”、会“调整”的小机器人？这项研究将机器视觉和AI反馈引入片上液滴操作，让比色检测形成自主闭环。

    在这项工作中，DM LITE负责输出芯片驱动信号，AM 16K芯片承载片上液滴操作。研究团队进一步将这一硬件平台与智能手机成像、机器视觉、路径规划和AI分析模块集成，使算法生成的指令转化为实际的液滴移动、分裂、合并与稀释动作。

    视觉分析得到的信息能够直接参与下一步实验决策。例如，系统发现液滴操作未成功时，可以重新驱动；检测信号超出有效范围时，可以触发片上稀释，再次测量。“看见、判断、行动、再观察”的反馈过程，让液滴操控与检测分析紧密衔接。

图 2  DM LITE 与芯片在 IMAR 系统中的集成方式。原图展示了设备、液滴图像采集、位置识别、路径规划与驱动反馈，以及智能手机端的操作界面。

来源：原论文 Extended Data Fig. 1。

    围绕传统比色检测的关键难点，团队展示了多种片上分析策略。液滴操作与视觉分析相互配合，使系统能够根据检测状态调整后续实验。

    自动稀释，拓展检测范围。当高浓度样品出现信号饱和时，系统通过反馈控制开展连续稀释，并结合稀释倍数还原原始浓度。

    多液滴读数，提高测量可靠性。将样品液滴分裂为多个重复液滴，通过多次读数和统计汇总，减少单次测量的随机误差。

    聚焦有效颜色信号，改善弱信号分析。利用视觉注意力引导的自适应掩膜，提取与反应相关的图像区域，减轻背景干扰。

    迁移学习，降低新任务的数据需求。将已有模型学习到的液滴图像特征迁移至新的检测对象，以较少的训练数据完成适配。

图 3  迁移学习适配新检测任务。研究以过氧化氢检测模型为基础，向葡萄糖检测任务迁移，减少新任务所需的训练数据。

来源：原论文 Fig. 5d。

    这些策略共同推动比色检测从预设流程执行，走向能够根据检测状态调整操作的自主分析。

    团队围绕金属离子、亚硝酸盐、微生物代谢过程中的pH变化，以及葡萄糖、蛋白质等对象开展验证，为环境监测、食品安全和生物分析等方向提供了新的技术思路。研究还在瓶装水、自来水和湖水中开展铜离子检测，进一步验证复杂水样分析能力。

图 4  不同水样中的铜离子检测。原图展示了瓶装水、自来水和湖水中的检测结果，为平台用于环境样本分析提供实验依据。

来源：原论文 Extended Data Fig.7a-g。

    Nature Sensors同期刊发了围绕该工作的News & Views评述《AI transforms colorimetry from craft to intelligence》，讨论人工智能与微液滴操控融合对自主比色分析的意义。