Trends in Analytical Chemistry：激光诱导石墨烯界面用于人工味觉与化学感知——从界面转导到高维解释

背景介绍

在真实样本分析中，血液、尿液、食品提取液和环境水体往往不是由单一目标物构成的简单体系，而是包含离子、蛋白、代谢物、有机小分子及多种干扰物的复杂化学环境。传统分析方法通常围绕“识别或定量某一个预设目标物”展开，能够获得高选择性和高准确度，但在复杂液体整体状态识别、快速现场分析以及多组分模式解释方面仍面临挑战。

人工味觉，也常被称为电子舌，提供了另一种分析思路：它并不只依赖单一分子的特异性识别，而是通过交叉响应传感阵列获取复杂样本的整体响应指纹，再结合多变量分析或机器学习模型实现分类、预测和解释。也就是说，人工味觉关注的不只是“是否检测到某个分子”，而是“复杂样本中的化学信息如何被编码、保留并解读”。

近期，华东师范大学张闽教授课题组系统梳理了激光诱导石墨烯界面在人工味觉与化学感知中的研究进展，题为“Laser-induced graphene interfaces for artificial taste and chemical perception: From interfacial transduction to high-dimensional interpretation”，发表在国际分析化学期刊Trends in Analytical Chemistry上（DOI: 10.1016/j.trac.2026.118948）。本科生尹颖为该论文第一作者。

研究的主要内容

文章首先指出，传统化学传感通常以目标物检测为中心，输出结果多为单一浓度值或单一响应强度。而复杂液体体系中的有效信息并不总是存在于某一个单独分子中，而是存在于多个组分共同形成的响应模式中。因此，人工味觉的核心不是简单追求最低检测限，而是构建能够产生、保存和解码高维化学信息的系统。

图1. 从分子检测到LIG基化学感知的概念路线图。传统靶向检测仅针对特定分析物产生标量信号，而人工味觉系统则从复杂液体中生成交叉响应指纹。LIG基界面进一步将异质界面相互作用转化为多维电学特征，并可解码为潜在化学空间，以实现对化学信息的分类、预测与解释。

与单输出传感器不同，LIG 基人工味觉系统可以通过多种界面机制共同产生复杂电学响应。文章总结了四类典型机制：静电门控、荷电转移、离子重排/Donnan 电位以及载流子散射。这些机制并不是彼此独立的线性叠加，而是在复杂样本中发生非线性耦合。因此，一个样本的响应不应只被简化为某一个电流变化或阈值电压偏移，而应被看作由转移曲线、跨导、滞后、时间响应、漂移和噪声等共同组成的多维电学指纹。

图2. LIG基化学感知系统中的界面机制与非线性信号编码。(a-d)液相化学传感中产生信号的四种代表性界面调制路径：德拜层内带电物种的静电门控、吸附分子与LIG/石墨烯通道间的电荷转移、界面选择层处离子重分布诱导的唐南电势形成，以及吸附或局域带电物种引起的载流子散射。(e) 这些机制相互耦合而非独立，通过门控电势、电荷转移引起的费米能级移动、唐南电势及载流子散射效应的共同调制产生非线性器件响应。(f) 耦合机制产生非线性响应图谱，器件输出同时依赖于多种界面贡献。(g) 通过从电学特性中提取主要和次要描述符（如阈值/狄拉克点移动、电阻或电流变化、迁移率、跨导、迟滞、噪声及时间特征），可将每次测量转换为高维信号矢量。(h) 多元特征提取与分析将这些信号矢量映射到特定分析物的响应流形上，通过高维电学编码实现对不同化学物质或复杂液体基质的区分。

LIG 的多孔结构、缺陷边缘、非石墨化位点、含氧官能团和局部导电通路，使其天然具有空间异质性。过去，这种异质性常被视为材料重复性和器件一致性的来源之一；但在人工味觉中，如果能够被合理调控和验证，它也可以成为化学信息编码的来源。

图3. LIG扩展栅极的界面工程与高维电学编码。(a) LIG异质界面提供分布式微区，将材料变异性转化为化学响应编码基底。(b) 界面调控通过掺杂、金属氧化物修饰及生物功能化，调节结合位点密度与亲和力，使识别行为向半选择性转变。(c) 在LIG-EGFET中，LIG/电解液界面的扰动被耦合至栅极并放大为源漏电流调制，实现化学前端与电子后端的分离。(d) 多种电学描述符被编码为高维特征向量，界面调控提升了潜在空间的可分性，从而增强系统的编码能力。

文章强调，LIG 的价值不仅在于提高传感灵敏度，更在于作为“可编程的信号生成界面”。通过杂原子掺杂、金属纳米颗粒修饰、金属氧化物引入、分子印迹层、适配体、酶或抗体等功能化策略，LIG 界面可以从非特异吸附逐步调节到半选择性甚至目标偏向识别，从而在灵敏度、交叉响应多样性和基质耐受性之间取得平衡。

对于血液、尿液、食品和环境样本等复杂体系，人工味觉平台必须面对多种真实干扰。文章重点讨论了四类限制：Debye 屏蔽、生物污染和非特异吸附、离子强度与 pH 波动、参考电极或基线漂移。

图4. LIG-EGFET化学感知中的基质干扰约束与缓解策略。四种主要干扰源包括：(a)德拜屏蔽，(b) 生物污损与非特异性吸附，(c) 离子强度与pH波动，以及 (d) 参比电极/基线漂移。每种干扰途径均从基质挑战、界面扰动、电学后果及缓解策略四个方面进行阐述。这些约束表明，EGFET架构虽未消除界面限制，但为抗污损、离子调节、参比通道及校准传递策略提供了模块化平台。

这部分讨论的关键在于：EGFET 架构并不能从根本上消除 Debye 屏蔽，因为扩展栅界面仍然直接暴露在电解质中。它的真正优势在于提供了独立界面工程的空间，例如短识别元件、抗污涂层、离子调节膜、参考通道和校准转移策略等。

在 LIG 基人工味觉系统中，数据分析不是简单的后处理步骤，而是整个分析框架的一部分。原始分析对象不是单个电流响应，而是由曲线位移、跨导变化、滞后窗口、时间动力学、漂移行为和噪声特征共同组成的高维电学签名。机器学习模型的作用，是把这些复杂电学响应转化为具有化学意义的表示。

图5. LIG基人工味觉与化学感知系统的物理信息数据驱动解码框架。(a)异质LIG传感节点提供多样化的化学相互作用路径，生成高维信号。(b) 化学扰动被转化为多维电学响应流形。(c)电学描述符被矢量化并映射至潜在化学空间，通过多元表征学习分离重叠响应。(d)物理信息数据驱动解码将非线性模型与物理化学先验相结合，提升了在复杂干扰下的可解释性、鲁棒性及不确定性感知的推理能力。(e) 解码输出支持化学区分、定量预测及不确定性感知的解释，助力在复杂基质中实现稳健的化学感知。

文章进一步提出物理约束或物理启发的机器学习框架，将 FET 传输、界面静电、Debye 屏蔽、界面电容、荷电转移、结合动力学和漂移/噪声行为等先验知识纳入特征选择、模型训练和验证流程，以提高模型的可解释性、稳健性和跨场景迁移能力。

总体来看，这篇综述为真实复杂体系中的化学感知提供了一个从界面设计到信息解码的完整框架，对电子舌、可穿戴传感、现场快速分析都有明确参考价值。

小结

该综述并不是简单罗列 LIG 传感器性能，而是从分析化学范式角度重新定义了 LIG 基人工味觉平台的核心问题：复杂液体中的化学信息如何被界面生成、由器件转导、经算法解码，并最终形成可验证、可解释和可迁移的化学感知能力。

该综述为 LIG 基人工味觉和复杂液体化学感知提供了清晰的发展路线：从目标检测到模式感知，从材料性能到信息编码，从经验分类到物理启发解码，从高性能传感器走向稳健、可解释、可部署的人工味觉系统。