一种数字微流控芯片温度控制系统

技术领域

本发明属于数字PCR领域，尤其涉及一种数字微流控芯片温度控制系统。

背景技术

数字PCR(Digital PCR)是一种高灵敏度的核酸绝对定量分析技术，它在PCR反应中实现了对核酸样品的绝对定量。数字PCR技术是基于DNA双链复制原理，通过把反应体系均分到大量独立的微反应单元中进行PCR扩增，并根据泊松分布和阳性比例来计算核酸拷贝数。数字PCR技术不再依赖于标准曲线，具有更高的灵敏度、准确度及高耐受性，能够实现对样品的绝对定量分析。近年来，随着微流控技术的成熟，基于微流控技术的数字PCR技术得到了快速的发展，在基因突变检测、拷贝数变异检测、病毒微生物检测、转基因食品检测以及测序等方面均得到广泛的应用。数字PCR技术存在的机构优点包括：高灵敏度，灵敏度比传统的PCR技术更高。高准确性，根据泊松分布和阳性比例来计算核酸拷贝数，因此能够更准确地定量核酸。绝对定量，即能够准确地确定核酸样品的拷贝数，而不仅仅是相对定量。高耐受性，能够容忍一定程度的污染和干扰，因此具有更广泛的适用性。

数字PCR的温度控制是非常重要的，因为温度的准确性和稳定性直接影响到PCR反应的成败和实验结果。具体来说，数字PCR的温度控制重要性体现在以下几个方面：温度的准确性：温度的准确性是PCR反应的关键因素之一，因为PCR反应的每个步骤都需要在特定的温度下进行。如果温度不准确，就会导致PCR反应失败或者结果不准确。因此，数字PCR仪必须能够准确控制每个温度点的温度。温度的稳定性：温度的稳定性也是PCR反应的重要因素之一。如果温度不稳定，就会导致PCR反应的差异性和不稳定性，从而影响实验结果的准确性。数字PCR仪必须能够在整个PCR反应过程中保持温度的稳定性。温度的均匀性：数字PCR仪中每个微反应单元的温度必须保持一致，以确保每个反应单元都能够得到正确的温度控制。如果温度不均匀，就会导致实验结果的不准确和不可重复。

现有的数字PCR温度控制方法，主要包括通过仪器自带的软件控制，可以通过软件设置PCR反应的温度曲线，并监测每个循环的温度变化。外部控制器：可以使用外部控制器，如电脑或其他设备，来控制数字PCR仪器的温度。这种方法需要连接外部设备，并使用软件进行控制和监测。预设温度曲线：在进行数字PCR反应之前，可以预先设定温度曲线，以确保PCR反应在指定的温度范围内进行。无论采用哪种方法，数字PCR温度控制都需要精确、稳定和可靠的控制系统，以确保PCR反应的成功和准确性，以上无论那种方法都有一定的局限性，通常仪器自带的控制模块较为单一，不能根据微流控芯片以及待测液体特性进行适应性的调整，导致温度控制和检测的不准确，从而影响扩增反应的效率。

发明内容

本发明解决以上问题，设计了一种数字微流控芯片温度控制系统，尤其针对动态连续流数字PCR温度控制和压力驱动，本发明连续流式数字PCR控制系统包括：微流控芯片、恒压驱动装置、微通道、温度监测模块、加热模块、温度控制模块、荧光检测模块。温度的测量与控制至关重要，直接决定了整个数字PCR系统的可靠性与准确性。与普通的温度控制所不同的是，连续流式数字PCR对于温度控制的要求更加准确、精度更高，并且对于温度的变化反应灵敏。温度控制的误差决定了扩增的成功与否；变性温度的高低决定了DNA聚合酶的活性。退火温度的高低决定了扩增的产物与扩增效率。延伸温度的合适与否决定了扩增产物的特异性产量。

数字PCR的扩增效率，涉及到多个参数，包括压力驱动参数、温度控制参数、微通道待测液体流量速度、所述微流道宽度、待测液体界面上的粘性力参数和表面张力参数。微通道待测液体流量速度受压力驱动参数、微流道宽度和油水两相比例影响，同样待测液体界面上的粘性力参数和表面张力参数受微流道宽度和油水两相比例影响。

为了实现压力驱动参数、温度控制参数的优化控制，采用深度学习算法训练获得温度控制参数模型和压力驱动参数模型，具体的步骤和控制方法如下：

一步数据收集和处理，收集压力驱动参数、温度控制参数、微通道待测液体流量速度、所述微流道宽度、待测液体界面上的粘性力参数和表面张力参数，以及扩增效率，对这些数据进行处理；

第二步建立模型，使用人工智能算法，根据收集和处理的数据，建立温度控制参数模型和压力驱动参数模型，预测出最佳的控制参数；

第三步模型训练和优化，使用第一步收集的数据对模型进行训练，并根据训练结果对模型进行优化；

第四步模型测试，使用未在训练过程中使用的数据对模型进行测试，以确保模型在实际应用中的可靠性和准确性。

第五步参数优化，根据模型的预测结果，对各个参数进行优化。。

第六步循环优化，在参数优化后，重新收集和处理数据，并重复上述的模型训练、测试和参数优化。

温度控制曲线的设计非常重要，因为它可以影响反应的效率和准确性。常见的温度曲线包括线性温度曲线、指数温度曲线和S型温度曲线等。进一步所述温度控制参数，控制所述加热模块的三个温区单元进行温度调整。进一步所述温度控制参数控制所述加热模块，优先采用指数温度曲线。进一步所述温度控制参数控制所述加热模块，优先采用S型温度曲线。

温度监测模块，通过传感器检测温度的变化，反馈至温度控制模块，控制加热模块对温区温度进行调整。

同样，本发明中还可以进一步简化参数的控制方式，将三个温区温度设定为相对扩增效率较高的恒定的温度，仅仅对恒压驱动装置的压力驱动参数进行调节。

附图说明

图1连续流式数字PCR微通道结构示意图；

图2数据分析单元通过深度学习算法训练获得温度控制参数模型和压力驱动参数模型步骤。

具体实施方式

为使本公开的目的、技术方案和优点更加清楚明白，下文中将结合附图对本公开的实施例进行详细说明。注意，实施方式可以以多个不同形式来实施。所属技术领域的普通技术人员可以很容易地理解一个事实，就是方式和内容可以在不脱离本公开的宗旨及其范围的条件下被变换为各种各样的形式。在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互任意组合。

具体而言，可以使用深度学习算法训练一个模型，使其能够预测数字PCR反应中不同温度对PCR扩增效率的影响，不同流速对PCR扩增效率的影响。该模型可以使用输入参数，如PCR反应物质的量、微流道的宽度、反应时间等，来预测在不同温度下的PCR扩增效率。然后，可以将该模型与实时的温度传感器数据结合起来，以自动调整数字PCR反应器的温度，以优化数字PCR扩增效率。

连续式数字PCR扩增反应包括三个步骤：第一步，变性，通过加热(要求温度90℃-96℃)方式使双链DNA彻底变性，解离成单链，然后与引物相结合，接着准备进行下一个反应。第二步，退火，将温度下降至适宜温度(要求温度60℃-65℃)，根据氨碱基互补配对的原则，引物能够与模板DNA单链配对结合，然后热稳定聚合酶使溶液中的游离核苷酸合成DNA的第二个互补链。第三步，延伸，将温度调整至合适温度(要求温度70℃-75℃)在Taq酶的作用下,以dNTP为原料,通过延伸,合成与模板互补的DNA链。这就完成了一个循环，然后重复进行上述循环，就实现了DNA片段的指数扩增。

本申请涉及到连续流式数字PCR，包括：微流控芯片、恒压驱动装置、微通道、温度监测模块、加热模块、温度控制模块、荧光检测模块。如图1所示微通道结构，微通道包括三个温区单元，变性温区单元、退火温区单元、延伸温区单元；加热模块包括三个加热模块，第一加热单元，第二加热单元，第三加热单元；第一加热单元设置于所述变性温区单元，第二加热单元设置于所述退火温区单元，第三加热单元设置于所述延伸温区单元。

恒压驱动装置包括恒压泵及驱动单元，驱动单元控制所述恒压泵的压力驱动参数，驱动待测液体的流动；恒压驱动装置连接所述微通道，驱动待测液体循环通过所述微通道；温度监测模块监测微通道三个温区温度变化；温度控制模块包括数据采集单元、数据分析单元和控制单元。

数据分析单元通过深度学习算法训练获得温度控制参数模型和压力驱动参数模型获得所述温度控制参数和压力驱动参数，通过所述控制单元控制所述加热模块和恒压驱动装置；荧光检测模块，检测扩增情况。

下面结合附图2对本发明作进一步详细描述，本发明针对温度控制参数和压力驱动参数建立预测模型，进一步数据分析单元通过深度学习算法训练获得温度控制参数预测模型和压力驱动参数预测模型包括：

第一步数据收集和处理，收集压力驱动参数、温度控制参数、微通道待测液体流量速度、微流道宽度、待测液体界面上的粘性力参数和表面张力参数，以及扩增效率，对数据进行清洗和预处理，如去除异常值、填充缺失值、归一化处理等。特征选择：分析数据，选择与扩增效率相关性较高的特征，例如，可以选择温度调整参数、驱动力参数等等作为输入特征，根据特征的相关性，进行特征选择和降维，以提高模型的性能。

第二步建立模型，使用人工智能算法，根据收集和处理的数据，建立温度控制参数模型和压力驱动参数模型，预测出最佳的控制参数，具体可以采用使用长短期记忆(LSTM)网络、支持向量回归(SVR)等，选择最佳模型进行训练。

第三步模型训练和优化，使用第一步收集的数据对模型进行训练，并根据训练结果对模型进行优化；将预处理后的数据划分为训练集和测试集，用于模型训练和评估，使用训练集对模型进行训练，调整模型参数以优化性能，使用测试集对训练好的模型进行评估，分析模型的准确性和误差。

第四步模型测试，使用未在训练过程中使用的数据对模型进行测试，以确保模型在实际应用中的可靠性和准确性。

第五步参数优化，根据模型的预测结果，对各个参数进行优化。添加正则化项以防止过拟合，使用交叉验证等方法提高模型稳定性。

第六步循环优化，在参数优化后，重新收集和处理数据，并重复上述的模型训练、测试和参数优化。数据模型训练直至该模型参数控制的扩增有效率达到一个较高的水平，至少大于90％。

进一步温度控制参数，控制所述加热模块的三个温区单元进行温度调整。通过对三个加热温区独立的温度调整，将温度调整至合适的温度，待测液体流过微通道，恒压驱动装置驱动待测液体流过三个温区，从而完成一次扩增循环。

进一步温度控制参数控制所述加热模块，所述温度控制模块调整温度控制参数优先采用指数温度曲线。进一步温度控制参数控制所述加热模块，所述温度控制模块调整温度控制参数优先采用指数温度曲线。温度控制曲线还可以使用其他所熟知的温度曲线比如S型温度曲线进行控制和调整。

机器学习算法还可以为现有的通用算法：分类算法(如逻辑回归、决策树和支持向量机)、回归算法(如线性回归和岭回归)、聚类算法(如K-均值和层次聚类)的一种或者多个算法的结合。

同样本发明示例性实施方式中，在提升扩增效率方面，将加热温度参数设置为相对恒定的温度，对压力驱动参数通过深度学习算法训练出压力驱动参数预测模型。具体为第一步数据收集和处理，收集压力驱动参数、微通道待测液体流量速度、所述微流道宽度、待测液体界面上的粘性力参数和表面张力参数，以及扩增效率，对这些数据进行处理；第二步建立模型，使用人工智能算法，根据收集和处理的数据，建立压力驱动参数模型，预测出最佳的控制参数；第三步模型训练和优化，使用第一步收集的数据对模型进行训练，并根据训练结果对模型进行优化；第四步模型测试，使用未在训练过程中使用的数据对模型进行测试，以确保模型在实际应用中的可靠性和准确性。第五步参数优化，根据模型的预测结果，对各个参数进行优化。第六步循环优化，在参数优化后，重新收集和处理数据，并重复上述的模型训练、测试和参数优化。数据模型训练直至该模型参数控制的扩增有效率达到一个较高的水平，至少大于90％，仅仅对压力驱动参数模型训练，简化了控制和模型的训练。

本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。

在本发明的描述中，除非另有说明，术语“上”、“下”、“左”、“右”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。

最后应说明的是，上述技术方案只是本发明的一种实施方式，对于本领域内的技术人员而言，在本发明公开了应用方法和原理的基础上，很容易做出各种类型的改进或变形，而不仅限于本发明上述具体实施方式所描述的方法，因此前面描述的方式只是优选的，而并不具有限制性的意义。