一种用于检测结果阴阳性判定的手持式对流PCR系统

本文提出一种手持式对流 PCR 系统，可同时实现 8 样本病原体检测。针对荧光曲线多样性，将机器学习用于检测结果阴阳性判定，提升了其检测性能。

对流 PCR 原理见 热对流PCR简述如图 1 所示，由聚碳酸酯通过注射成型的光滑试管作为反应容器，反应液配置完成后将 8 个反应管放入装置。
 

图 1 

如图 2 所示，装置尺寸为 70 x 70 x 130 mm，由控制器模块、加热模块、光学检测模块、蓝牙模块和智能手机模块组成。

图 2 

智能手机与该装置通过蓝牙进行数据传输。智能手机端接收到荧光数据后进行图像重构以及后续用于机器学习进行阴阳性分类识别。

除了智能手机，该装置还可以通过机身按钮控制反应进行，并通过 LCD 实时显示曲线。两种方式相互独立。

仪器内部结构如图 3 所示。在毛细管顶部放置 8 个发光二极管，经滤光片后激发毛细管内的荧光探针信号。

图 3

采用 16 根光纤分别从侧壁、底部采集 8 个单元的荧光信号，并将其传至相机镜头前。镜头捕捉到图像后，首先识别反应区的边界，得到边界内平均灰度值，减去背景灰度值，表示相对荧光信号强度。

如图 4 所示，作者探究了底部与侧壁采光时 LED 不同发光时间的相对荧光曲线。

发现当 LED 间隔发光时，荧光强度无明显变化；当 LED 常亮时，荧光强度呈下降趋势。即无论从底部采光还是侧壁采光，LED 常亮均会导致荧光值下降。

同时验证了底部采光时的检测一致性明显优于侧壁采光。

图 4

由于毛细管内部热对流反应机理、复杂的热动力学、温度控制等导致的局部热对流的不均匀性，导致部分阳性和阴性样本的荧光曲线高度相似。

图 5

如图 5 所示，本文将机器学习与 Ct 值相结合实现检测结果阴阳性判定。相比于传统 Ct 值，该方法可将检测结果准确率提升至 97.5% 。

审核编辑：刘清