Nat. Commun.：可扩展石墨烯传感器阵列应用于水中毒素的实时监测

【导读】

饮用水中的有毒元素暴露了全球数亿人口于危险的污染物之中，这可能威胁公共卫生，并导致各种疾病的传播，如腹泻和癌症。联合国可持续发展目标要求到2030年实现对安全、负担得起的饮用水的普遍和公平访问，该水应免受粪便污染（例如细菌）和重要化学污染物（例如重金属）的影响。因此，迫切需要识别水中的潜在健康危害，以提供早期警告并预防灾难事件，这需要智能、快速、适应性强且持续监测的传感系统来预测水污染。与基于最先进的质谱技术的耗时、昂贵和庞大的实验装置相比，这些实验装置限制了它们进行连续在线监测的能力，电子传感器表现出在这方面有望完成任务的潜力，因为它们具有卓越的性能（例如，快速响应、高灵敏度和选择性、低成本和易操作性）以及与现有水基础设施和无线数据传输的集成潜力。

基于二维（2D）层状纳米材料的场效应晶体管（FET）已成功用于化学和生物传感（例如，重金属离子、气体/生物分子和细菌。然而，用于实时水质感知的2D FET传感器的商业化仍然面临挑战，主要原因是设备质量控制不佳，导致响应趋势、校准和可靠性在设备之间存在差异。当前解决这些问题的尝试主要集中在控制传感器通道材料的先决步骤上，包括2D纳米材料的大规模化学气相沉积生长、直接印刷其薄膜、旋涂在基底上的自组装。在这些方法中，通过旋涂工艺将2D层状纳米材料湿法转移到基底上，可以是大规模电子器件纳米制造的高效、多功能和快速方法。然而，识别纳米材料的单层和随后在FET传感器中形成对电极的图案化是一项繁琐、能源密集和成本高昂的工作。相比之下，通过交错电极并联连接多个薄片可以更快速地扩大2D FET的制造规模，同时降低能源消耗和商业化成本。然而，目前尚无可综合考虑设备变异的方法，可以通过直接将有问题的传感器设备与非破坏性测量相关联，在大规模制造过程中将它们隔离开来，也没有用高级数据分析来模拟理想设备的传感器响应以实现高度精确的预测。

鉴于此，美国威斯康星大学Junhong Chen等人报告了一种自底向上的方法，用于在大规模制造过程中对2D FET传感器设备的质量进行战略性控制，这种方法使得能够可靠且实时地监测流动水中的毒素，如在基于石墨烯的场效应晶体管（GFET）传感器阵列中所展示的。重金属（铅和汞）以及大肠杆菌细菌被选为代表性的污染物进行测试，因为它们是饮用水供应中的主要污染物。技术上，首先通过在水中湿法转移单层氧化石墨烯（rGO）分散液并随后形成交错电极的图案来制备晶圆传感器器件，以通过它们的电子特性对均匀设备进行预筛选。我们发现，在热退火后，大多数（约60%）的设备都实现了相对较窄的电子分布（相对于众数值的变化在±10%范围内），无论是电阻还是漏电流开关比。具有窄电子特性分布的初始制造过程只是获得最佳传感器的先决条件。然后，通过将非理想的响应行为（即双向性）与低频时测得的阻抗比Zˊ/Z˝>1000相关联，成功地识别了有问题的设备，这可能归因于介电层（3纳米Al₂O₃）中的光学不可见缺陷。漏电流噪声功率谱密度（PSD）进一步表明，在预筛选后，近乎理想的传感器器件中不存在任何重要类型的缺陷，并验证了表面吸附的化学栅效应。最后，通过机器学习（ML）建模进行了GFET传感器阵列的响应校准，用于同时检测流动水中所选重金属和细菌种类，实现了在ppb（cfu/mL）水平上的高精度分类和定量。相关工作以“Scalable graphene sensor array for real-time toxins monitoring in flowing water”发表在《Nature communication》上。

【核心创新点】

本文的核心创新点在于开发了可扩展的GFET传感器阵列，用于实时检测自来水中的多种重金属和大肠杆菌，结合了纳米制造技术、机器学习建模以及低频噪声测量，实现了高精度的毒素检测和量化。

【图文速递】

图1. 基于石墨烯场效应晶体管（GFET）传感器阵列的晶圆纳米制造和功能化。

a 示意性的纳米制造策略，使用阻抗测量进行设备预筛选（故障诊断），以最小化设备变异，以实现接近理想的响应模式。测试/分析程序的每个步骤都以示意图（i-v）的形式显示，具有相应的描述在插图中。b 氧化石墨烯（GO）分散液到整个晶圆基底，用于沉积图案化电极。照片显示了切割后的晶圆尺寸传感器设备以及表面上带有测试溶液液滴的单个设备。c rGO基FET传感器器件的纳米制造步骤包括电子束光刻法沉积电极、使用电子束光刻法在电极上沉积SiO₂保护层、3nm原子层沉积（ALD）衍生的Al₂O₃作为顶层栅氧化物、溅射Au纳米颗粒（NPs）作为探针的锚定位点，以及探针的功能化。d 传感器的特定生物化学和抗体探针的探针功能化的示意步骤。

图2. 交流（AC）阻抗谱用于隔离非理想设备的相关参数。

a 通道电阻（R_CH）-电容（C_DL）对和理想设备的接触电阻（R_CR）和电容（C_C）对的示意等效电路模型，以及带有缺陷的非理想设备（红色圆圈）由于金-探针复合物产生的电场导致通道中的电荷捕获。b、c Nyquist图表示分别用于理想设备（类似理想）和非理想设备（带有缺陷）的阻抗谱拟合。实验数据点（黄色）的点和拟合曲线（褐色、绿色和蓝色）的实线。d-f 显示了Pb²⁺离子曝露的响应瞬态的典型模式，其中d是理想设备，e、f是非理想设备。响应相对于空气中的基线，并标准化为Pb²⁺离子溶液中的峰值。在Pb²⁺离子曝露之前，添加了背景水。虚线（黄色圆圈）和实线（绿色和红色）分别代表实验数据点和拟合曲线。g 通过拟合低频半圆的阻抗谱，将的大小描述为E_q.（1）的常数相元（CPE）参数的相关性。h 通过低频Zˊ/Z˝比率测量清晰地将理想设备与非理想设备分离。在g和h中的阴影区域（浅红色和绿色）显示了来自非破坏性测试（NDT）过程估算的预先选定传感器的非理想设备和理想设备类别的相应区域。实线蓝色线（拟合）可用于校准正在测试的新设备。

图3. GFET传感器的噪声谱测量。

a 由于通道-栅和目标分析物存在缺陷而导致的1/f噪声背景演化的示意表示。左上面板中的白色圆圈代表顶层氧化物中的缺陷，而左上面板中的绿色圆圈是电极注入通道的载流子。右侧面板中的蓝色代表特定的缺陷，负责产生复合（GR）-洛伦兹驼峰。由于其距离通道（d₁、d₂、d₃等）的位置（水平虚线）确定，每个缺陷都具有其独特的时间常数（τ₁、τ₂、τ₃等，用不同长度的彩色箭头表示）和唯一的功率谱密度（PSD），如不同颜色的PSD示意图中的虚线曲线所示。b、c 在负（0到-40 V）和正（0-40 V）底栅偏压下测得的空气中的漏电流噪声PSD。d 清水和不同浓度（2.5和10 ppb）的Pb²⁺离子溶液的漏电流噪声PSD。

图4. 在流动水系统中对GFET传感器阵列进行的测量。

a 连续感测的示意实验装置。位于室内的传感器阵列由聚二甲基硅氧烷（PDMS）模具密封，从源漏接触处密封。水由压电马达吸入传感器室，然后连续流回外部容器来模拟水的流动。b 3D打印密封的照片，传感器嵌入其中。插图是器件内部。c 压电微马达的照片以及连接到密封传感器室的外部水容器。d-f 分别为传感器1（Pb²⁺）、传感器2（Hg²⁺）和传感器3（大肠杆菌）的响应瞬态模式。g-i 分别为传感器1（Hg²⁺和大肠杆菌）、传感器2（Pb²⁺和大肠杆菌）和传感器3（Pb²⁺和Hg²⁺）的选择性研究。箭头表示目标毒素溶液添加的时间点。

图5. 用于在流动水中对各种混合离子和细菌物种进行分类和定量的机器学习（ML）建模。

a 显示了传感器对Pb²⁺、Hg²⁺和大肠杆菌的响应，如图4d-i所示。b-e 主成分分析（PCA）图用于对Pb²⁺、Hg²⁺、大肠杆菌及其混合物的分类。f、g 用于训练的两层人工神经网络（ANN）的示意图以及不同隐藏层神经元数的均方误差（MSE）值。h、i 绘制了经过训练的ANN模型预测的Pb²⁺、Hg²⁺和大肠杆菌（ppb或cfu/mL）及其混合物的测试和预测浓度。在这里，虚线（Y = T）表示未知样本的测试和预测浓度之间的完美匹配，而实线表示从经过训练的ANN模型预测的目标浓度的拟合。

【小结】

FET传感器的感测性能受其传递特性的影响，这些特性是通道材料固有的。湿法转移技术中rGO通道中的电子特性的统计值可以通过制备和退火条件进一步定制。尽管CPE参数n> 0.91可以作为具有类似理想顶层介电层（即独立于其厚度和类型）的FET传感器的通用定量标准，但在低频范围（1-100 Hz）内鉴定的Zˊ/Z˝比率<1000可以特定于通道材料和传感器体系结构（例如，其横向尺寸、接触电阻）（例如，其横向尺寸、接触电阻）。可以通过重复阻抗测量的程序（如图2所示）来简单获得其他材料和传感器结构的Zˊ/Z˝的唯一值。低频噪声测量不仅表示1/f噪声背景中是否存在（G-R隆起）或不存在（垂直偏移或化学栅效应）重要类型的缺陷陷阱，还显示更高的传感器响应（补充图10），从而在需要时提供超低检测或在传感器响应可以被抑制的恶劣环境中进行传感（例如，通过更高的离子强度和其他类型水源中的干扰物质，如河流、湖泊或废水）。通过简单更换特定探针并增加传感器阵列中的个体设备数量，还可以进一步实现对水中其他新型毒素（例如药物、杀虫剂、全氟烷烃物质）的检测和拓展，而通过优化隐藏层中的神经元数量和/或隐藏层来训练用于分类和定量的ML模型，可以重新校准预测精度。传感器的可逆性和重复性对于其实际应用至关重要。根据目标分析物与其特定探针之间的结合动力学，传感器返回其初始状态所需的时间尺度将有所不同。虽然通常更喜欢快速恢复，但可以通过选择和设计具有适中结合强度的特定探针，或者通过施加外部偏压以加速通过静电排斥力的表面解离来实现可逆传感。最后，考虑到来自不同水源的自来水的性质可以因监管而在广泛范围内变化（例如，pH、硬度等），当可以构建更复杂的ML模型以包含更多相关参数（如pH、离子强度和环境温度）以进行更准确的预测时，实际领域应用将更具前景。

总之，我们展示了一种可扩展的方法，用于开发GFET传感器阵列设备，其具有多个生化配体和抗体作为特定探针，可以同时检测流动自来水中的重金属和大肠杆菌。通过在硅衬底上旋涂GO分散液的晶圆尺寸沉积，提供了电子传感器中极为理想的电阻和电流开/关的分布，这在商业化电子传感器中非常理想。为了消除具有非理想感测动力学的传感器，可以通过高频阻抗和低频噪声测量来预先选择类似理想的设备。借助ML的帮助，可以成功地识别和高精度地定量实际自来水流中的多种毒素。我们的FET传感器制造和减小设备变异的策略为未来实时监测水风险中各种有害物质的动态预测提供了希望。