Nat. Commun.：可擴展石墨烯傳感器陣列應用于水中毒素的實時監測

【導讀】

飲用水中的有毒元素暴露了全球數億人口于危險的污染物之中，這可能威脅公共衛生，并導致各種疾病的傳播，如腹瀉和癌癥。聯合國可持續發展目標要求到2030年實現對安全、負擔得起的飲用水的普遍和公平訪問，該水應免受糞便污染（例如細菌）和重要化學污染物（例如重金屬）的影響。因此，迫切需要識別水中的潛在健康危害，以提供早期警告并預防災難事件，這需要智能、快速、適應性強且持續監測的傳感系統來預測水污染。與基于最先進的質譜技術的耗時、昂貴和龐大的實驗裝置相比，這些實驗裝置限制了它們進行連續在線監測的能力，電子傳感器表現出在這方面有望完成任務的潛力，因為它們具有卓越的性能（例如，快速響應、高靈敏度和選擇性、低成本和易操作性）以及與現有水基礎設施和無線數據傳輸的集成潛力。

基于二維（2D）層狀納米材料的場效應晶體管（FET）已成功用于化學和生物傳感（例如，重金屬離子、氣體/生物分子和細菌。然而，用于實時水質感知的2D FET傳感器的商業化仍然面臨挑戰，主要原因是設備質量控制不佳，導致響應趨勢、校準和可靠性在設備之間存在差異。當前解決這些問題的嘗試主要集中在控制傳感器通道材料的先決步驟上，包括2D納米材料的大規模化學氣相沉積生長、直接印刷其薄膜、旋涂在基底上的自組裝。在這些方法中，通過旋涂工藝將2D層狀納米材料濕法轉移到基底上，可以是大規模電子器件納米制造的高效、多功能和快速方法。然而，識別納米材料的單層和隨后在FET傳感器中形成對電極的圖案化是一項繁瑣、能源密集和成本高昂的工作。相比之下，通過交錯電極并聯連接多個薄片可以更快速地擴大2D FET的制造規模，同時降低能源消耗和商業化成本。然而，目前尚無可綜合考慮設備變異的方法，可以通過直接將有問題的傳感器設備與非破壞性測量相關聯，在大規模制造過程中將它們隔離開來，也沒有用高級數據分析來模擬理想設備的傳感器響應以實現高度精確的預測。

鑒于此，美國威斯康星大學Junhong Chen等人報告了一種自底向上的方法，用于在大規模制造過程中對2D FET傳感器設備的質量進行戰略性控制，這種方法使得能夠可靠且實時地監測流動水中的毒素，如在基于石墨烯的場效應晶體管（GFET）傳感器陣列中所展示的。重金屬（鉛和汞）以及大腸桿菌細菌被選為代表性的污染物進行測試，因為它們是飲用水供應中的主要污染物。技術上，首先通過在水中濕法轉移單層氧化石墨烯（rGO）分散液并隨后形成交錯電極的圖案來制備晶圓傳感器器件，以通過它們的電子特性對均勻設備進行預篩選。我們發現，在熱退火后，大多數（約60%）的設備都實現了相對較窄的電子分布（相對于眾數值的變化在±10%范圍內），無論是電阻還是漏電流開關比。具有窄電子特性分布的初始制造過程只是獲得最佳傳感器的先決條件。然后，通過將非理想的響應行為（即雙向性）與低頻時測得的阻抗比Zˊ/Z?>1000相關聯，成功地識別了有問題的設備，這可能歸因于介電層（3納米Al₂O₃）中的光學不可見缺陷。漏電流噪聲功率譜密度（PSD）進一步表明，在預篩選后，近乎理想的傳感器器件中不存在任何重要類型的缺陷，并驗證了表面吸附的化學柵效應。最后，通過機器學習（ML）建模進行了GFET傳感器陣列的響應校準，用于同時檢測流動水中所選重金屬和細菌種類，實現了在ppb（cfu/mL）水平上的高精度分類和定量。相關工作以“Scalable graphene sensor array for real-time toxins monitoring in flowing water”發表在《Nature communication》上。

【核心創新點】

本文的核心創新點在于開發了可擴展的GFET傳感器陣列，用于實時檢測自來水中的多種重金屬和大腸桿菌，結合了納米制造技術、機器學習建模以及低頻噪聲測量，實現了高精度的毒素檢測和量化。

【圖文速遞】

圖1. 基于石墨烯場效應晶體管（GFET）傳感器陣列的晶圓納米制造和功能化。a 示意性的納米制造策略，使用阻抗測量進行設備預篩選（故障診斷），以最小化設備變異，以實現接近理想的響應模式。測試/分析程序的每個步驟都以示意圖（i-v）的形式顯示，具有相應的描述在插圖中。b 氧化石墨烯（GO）分散液到整個晶圓基底，用于沉積圖案化電極。照片顯示了切割后的晶圓尺寸傳感器設備以及表面上帶有測試溶液液滴的單個設備。c rGO基FET傳感器器件的納米制造步驟包括電子束光刻法沉積電極、使用電子束光刻法在電極上沉積SiO₂保護層、3nm原子層沉積（ALD）衍生的Al₂O₃作為頂層柵氧化物、濺射Au納米顆粒（NPs）作為探針的錨定位點，以及探針的功能化。d 傳感器的特定生物化學和抗體探針的探針功能化的示意步驟。

圖2. 交流（AC）阻抗譜用于隔離非理想設備的相關參數。a 通道電阻（R_CH）-電容（C_DL）對和理想設備的接觸電阻（R_CR）和電容（C_C）對的示意等效電路模型，以及帶有缺陷的非理想設備（紅色圓圈）由于金-探針復合物產生的電場導致通道中的電荷捕獲。b、c Nyquist圖表示分別用于理想設備（類似理想）和非理想設備（帶有缺陷）的阻抗譜擬合。實驗數據點（黃色）的點和擬合曲線（褐色、綠色和藍色）的實線。d-f 顯示了Pb²⁺離子曝露的響應瞬態的典型模式，其中d是理想設備，e、f是非理想設備。響應相對于空氣中的基線，并標準化為Pb²⁺離子溶液中的峰值。在Pb²⁺離子曝露之前，添加了背景水。虛線（黃色圓圈）和實線（綠色和紅色）分別代表實驗數據點和擬合曲線。g 通過擬合低頻半圓的阻抗譜，將的大小描述為E_q.（1）的常數相元（CPE）參數的相關性。h 通過低頻Zˊ/Z?比率測量清晰地將理想設備與非理想設備分離。在g和h中的陰影區域（淺紅色和綠色）顯示了來自非破壞性測試（NDT）過程估算的預先選定傳感器的非理想設備和理想設備類別的相應區域。實線藍色線（擬合）可用于校準正在測試的新設備。

圖3. GFET傳感器的噪聲譜測量。a 由于通道-柵和目標分析物存在缺陷而導致的1/f噪聲背景演化的示意表示。左上面板中的白色圓圈代表頂層氧化物中的缺陷，而左上面板中的綠色圓圈是電極注入通道的載流子。右側面板中的藍色代表特定的缺陷，負責產生復合（GR）-洛倫茲駝峰。由于其距離通道（d₁、d₂、d₃等）的位置（水平虛線）確定，每個缺陷都具有其獨特的時間常數（τ₁、τ₂、τ₃等，用不同長度的彩色箭頭表示）和唯一的功率譜密度（PSD），如不同顏色的PSD示意圖中的虛線曲線所示。b、c 在負（0到-40 V）和正（0-40 V）底柵偏壓下測得的空氣中的漏電流噪聲PSD。d 清水和不同濃度（2.5和10 ppb）的Pb²⁺離子溶液的漏電流噪聲PSD。

圖4. 在流動水系統中對GFET傳感器陣列進行的測量。a 連續感測的示意實驗裝置。位于室內的傳感器陣列由聚二甲基硅氧烷（PDMS）模具密封，從源漏接觸處密封。水由壓電馬達吸入傳感器室，然后連續流回外部容器來模擬水的流動。b 3D打印密封的照片，傳感器嵌入其中。插圖是器件內部。c 壓電微馬達的照片以及連接到密封傳感器室的外部水容器。d-f 分別為傳感器1（Pb²⁺）、傳感器2（Hg²⁺）和傳感器3（大腸桿菌）的響應瞬態模式。g-i 分別為傳感器1（Hg²⁺和大腸桿菌）、傳感器2（Pb²⁺和大腸桿菌）和傳感器3（Pb²⁺和Hg²⁺）的選擇性研究。箭頭表示目標毒素溶液添加的時間點。

圖5. 用于在流動水中對各種混合離子和細菌物種進行分類和定量的機器學習（ML）建模。a 顯示了傳感器對Pb²⁺、Hg²⁺和大腸桿菌的響應，如圖4d-i所示。b-e 主成分分析（PCA）圖用于對Pb²⁺、Hg²⁺、大腸桿菌及其混合物的分類。f、g 用于訓練的兩層人工神經網絡（ANN）的示意圖以及不同隱藏層神經元數的均方誤差（MSE）值。h、i 繪制了經過訓練的ANN模型預測的Pb²⁺、Hg²⁺和大腸桿菌（ppb或cfu/mL）及其混合物的測試和預測濃度。在這里，虛線（Y = T）表示未知樣本的測試和預測濃度之間的完美匹配，而實線表示從經過訓練的ANN模型預測的目標濃度的擬合。

【小結】

FET傳感器的感測性能受其傳遞特性的影響，這些特性是通道材料固有的。濕法轉移技術中rGO通道中的電子特性的統計值可以通過制備和退火條件進一步定制。盡管CPE參數n> 0.91可以作為具有類似理想頂層介電層（即獨立于其厚度和類型）的FET傳感器的通用定量標準，但在低頻范圍（1-100 Hz）內鑒定的Zˊ/Z?比率<1000可以特定于通道材料和傳感器體系結構（例如，其橫向尺寸、接觸電阻）（例如，其橫向尺寸、接觸電阻）。可以通過重復阻抗測量的程序（如圖2所示）來簡單獲得其他材料和傳感器結構的Zˊ/Z?的唯一值。低頻噪聲測量不僅表示1/f噪聲背景中是否存在（G-R隆起）或不存在（垂直偏移或化學柵效應）重要類型的缺陷陷阱，還顯示更高的傳感器響應（補充圖10），從而在需要時提供超低檢測或在傳感器響應可以被抑制的惡劣環境中進行傳感（例如，通過更高的離子強度和其他類型水源中的干擾物質，如河流、湖泊或廢水）。通過簡單更換特定探針并增加傳感器陣列中的個體設備數量，還可以進一步實現對水中其他新型毒素（例如藥物、殺蟲劑、全氟烷烴物質）的檢測和拓展，而通過優化隱藏層中的神經元數量和/或隱藏層來訓練用于分類和定量的ML模型，可以重新校準預測精度。傳感器的可逆性和重復性對于其實際應用至關重要。根據目標分析物與其特定探針之間的結合動力學，傳感器返回其初始狀態所需的時間尺度將有所不同。雖然通常更喜歡快速恢復，但可以通過選擇和設計具有適中結合強度的特定探針，或者通過施加外部偏壓以加速通過靜電排斥力的表面解離來實現可逆傳感。最后，考慮到來自不同水源的自來水的性質可以因監管而在廣泛范圍內變化（例如，pH、硬度等），當可以構建更復雜的ML模型以包含更多相關參數（如pH、離子強度和環境溫度）以進行更準確的預測時，實際領域應用將更具前景。

總之，我們展示了一種可擴展的方法，用于開發GFET傳感器陣列設備，其具有多個生化配體和抗體作為特定探針，可以同時檢測流動自來水中的重金屬和大腸桿菌。通過在硅襯底上旋涂GO分散液的晶圓尺寸沉積，提供了電子傳感器中極為理想的電阻和電流開/關的分布，這在商業化電子傳感器中非常理想。為了消除具有非理想感測動力學的傳感器，可以通過高頻阻抗和低頻噪聲測量來預先選擇類似理想的設備。借助ML的幫助，可以成功地識別和高精度地定量實際自來水流中的多種毒素。我們的FET傳感器制造和減小設備變異的策略為未來實時監測水風險中各種有害物質的動態預測提供了希望。