基于深度学习的变宽度浓度梯度芯片性能预测

随着个性化医疗的发展,定制化药物受到了越来越多的关注,为了生产定制化药物,需要制备指定浓度的药物混合溶液。本研究首次提出了一种随机变宽度(RVW)结构的微流控浓度梯度芯片,并通过卷积神经网络算法实现芯片的性能预测。首先,设计了一种RVW微流道结构并通过仿真模拟得到出口浓度和出口流速。其次,根据卷积核分解原理设计了KD-MiniVGGNet深度学习模型,使用仿真模拟得到的浓度和流速数据训练模型并预测更多浓度梯度芯片的出口浓度和出口流速。最后,通过实验验证了KD-MiniVGGNet深度学习模型预测结果的准确性。研究结果表明:相较于随机等宽度(REW)浓度梯度芯片,RVW浓度梯度芯片的出口集中流速范围提高了66.7%,三个出口的出口浓度分布范围分别拓宽了9%、16%和11%,三个出口的出口流速分布范围分别拓宽了29%、28%和30%;KD-MiniVGGNet模型在出口浓度和出口流速测试集上的模型准确率分别达到91.5%和92.7%;出口浓度的KD-MiniVGGNet模型预测结果与实验结果之间的平均误差为4.3%。本研究中所提出的设计方法可提高浓度梯度芯片结构的多样性,进一步优化浓度梯度芯片的性能范围,更好地为药物定制提供溶液制备服务。