CMOS-basierte kapazitive Sensormatrix zur Charakterisierung und Verfolgung biologischer Zellen

Wissenschaftliche Berichte Band 12, Artikelnummer: 13839 (2022) Diesen Artikel zitieren

1811 Zugriffe

2 Zitate

1 Altmetrisch

Details zu den Metriken

Die Charakterisierung und Verfolgung biologischer Zellen mithilfe von Biosensoren ist für viele wissenschaftliche Bereiche notwendig, insbesondere für die Überwachung von Zellkulturen. Kapazitive Sensoren bieten aufgrund ihrer Fähigkeit, viele Merkmale wie die Position, Form und Kapazität der biologischen Zellen zu extrahieren, eine hervorragende Lösung. Im Rahmen dieser Studie wird ein CMOS-basierter Biochip, der aus einer Matrix kapazitiver Sensoren (CSM) besteht und eine ringoszillatorbasierte Pixel-Ausleseschaltung (PRC) nutzt, entworfen und simuliert, um eine einzelne biologische Zelle auf der Grundlage der oben genannten Merkmale zu verfolgen und zu charakterisieren verschiedene Funktionen. Der vorgeschlagene Biochip soll eine einzelne hepatozelluläre Karzinomzelle (HCC) und eine einzelne normale Leberzelle (NLC) charakterisieren. COMSOL Multiphysics wurde verwendet, um die Kapazitätswerte des HCC und NLC zu extrahieren und die Leistung des CSM in verschiedenen Abständen vom Analyten zu testen. Die Fähigkeit des PRC, die extrahierten Kapazitätswerte des HCC und NLC zu erkennen, wird mithilfe der Virtuoso Analog Design Environment bewertet. Mithilfe des MATLAB R2022a-Skripts wird ein neuartiger Algorithmus entwickelt, um die Position und Form der getesteten biologischen Zelle abhängig von den Kapazitätsmesswerten des CSM gleichzeitig zu animieren und vorherzusagen. Die Ergebnisse beider Modelle, die gemessene Kapazität von CSM und die korrelierte Frequenz von der Ausleseschaltung, zeigen die Fähigkeit des Biochips, HCC und NLC zu charakterisieren und zu unterscheiden.

Die Überwachung und Visualisierung der Bewegung und des Wachstums der Zellen unter physikalischen Aktuator- oder Zellkulturbedingungen sind für viele Biowissenschaftler wichtige Anwendungen1. Biosensoren werden häufig eingesetzt, da sie in der Lage sind, durch dynamische, nichtinvasive Messungen der physikalischen Eigenschaften biologischer Zellen in Bioflüssigkeiten wie Schweiß, Tränen, Speichel und interstitieller Flüssigkeit kontinuierlich physiologische Informationen in Echtzeit bereitzustellen2. Darüber hinaus bieten sie eine hohe Genauigkeit, Geschwindigkeit, Tragbarkeit, niedrige Kosten und einen geringen Stromverbrauch2. Dies unterscheidet integrierte Chips in Bezug auf solche Anwendungen von herkömmlichen Methoden wie der Bildverarbeitung mikroskopischer Bilder, die komplexer, nicht portierbar und teurer sind3.

Darüber hinaus sind diese traditionellen Techniken zeitaufwändig, da sie mehrere Schritte zur Probenvorbereitung erfordern. Sie sind manchmal giftig, sodass sie für die kontinuierliche Lektüre ungeeignet sind und einen größeren Bereich erfordern4.

Die Implementierung von Biosensoren auf Basis von CMOS-Technologien (Complementary Metal Oxide Semiconductor) bietet einen hohen Durchsatz1. Die CMOS-Technologie bietet viele weitere Vorteile, z. B. die Möglichkeit, eine große Anzahl von Sensoren mit den dazugehörigen elektronischen Schaltkreisen zu einem einzigen Laboratory on Chip (LOC) zusammenzubauen, wodurch der Zeitaufwand für biologische Analysen wie DNA-Analyse5 und Krebserkennung6,7 reduziert wird , kontinuierliche Glukoseüberwachung8 und neurochemischer Nachweis9.

CMOS-basierte kapazitive Sensoren zeichnen sich nicht nur durch ihre Kompaktheit aus, sondern zeichnen sich auch durch eine hohe Empfindlichkeit für viele biologische Anwendungen aus4. Kapazitive Sensoren beruhen auf der Erkennung einer dielektrischen Änderung über oder zwischen den kapazitiven Elektroden. Aufgrund der Ionenwolke in der Zellmembran kommt es zu einer dielektrischen Änderung, wenn die Zelle über kapazitive Sensoren eingeführt wird10. Diese Änderung ist winzig und erfordert daher eine Messung mit einer empfindlichen kapazitiven Ausleseschaltung.

Frühere Arbeiten auf dem Gebiet CMOS-basierter kapazitiver Sensoren konzentrierten sich auf die Charakterisierung oder Bildgebung von Analyten. Senevirathna, Bathiya Prashan et al. entwickelte ein CMOS-basiertes kapazitives Array zur Quantifizierung der Zellproliferation und -adhäsion11,12. Nabovati et al. entwarfen ein CMOS-basiertes kapazitives Array zur Überwachung des kontinuierlichen Wachstums adhärenter Zellen13. Couniot et al. entwarf ein CMOS-basiertes kapazitives Array zur Erkennung einer einzelnen Bakterienzelle14. Zhang et al. entwarf einen bildbasierten kapazitiven Sensor zur Defekterkennung15. Laborde et al. entwickelte ein kapazitives Sensorarray mit hoher Dichte zur Abbildung von Mikropartikeln und lebenden Zellen16.

Der Zweck dieser Forschung besteht jedoch darin, sowohl die Charakterisierung als auch die Abbildung biologischer Zellen mithilfe eines bipolaren kapazitiven Sensorarrays mit hoher Dichte, einer auf Hochfrequenz-Ringoszillatoren basierenden Ausleseschaltung und eines neuartigen Skripts zur Vorhersage der Form der getesteten Zelle durchzuführen unter Verwendung der kubischen Spline-Interpolation. Als Machbarkeitsnachweis wird ein neuartiger kapazitiver Biochip vorgeschlagen, um die Form einer biologischen Zelle zu lokalisieren, zu charakterisieren und vorherzusagen. Die Arbeit konzentriert sich auf die Unterscheidung zwischen einer einzelnen hepatozellulären Karzinomzelle (HCC) und einer einzelnen normalen Leberzelle (NLC). Der vorgeschlagene Biochip besteht aus vier Hauptteilen: einer 10 × 10-Matrix kapazitiver Sensoren (CSM), einer Pixel-Ausleseschaltung (PRC), einer Mikrofluidikkammer und einem Personalcomputer. Im Gegensatz zu früheren Arbeiten verfügt das Design des CSM über eine obere Erdungsplatte, um sicherzustellen, dass die Messung nicht durch Geräusche beeinträchtigt wird. Das CSM wird mit der Finite-Elemente-Methode (FEM), insbesondere COMSOL Multiphysics 5.5, simuliert. Der PRC, der auf der Virtuoso Analog Design Environment – Cadence entwickelt und simuliert wurde, verwendet eine auf einem Hochfrequenz-Ringoszillator basierende Ausleseschaltung mit einem digitalen Frequenzausgang, der mithilfe eines Zählers gemessen werden kann, sodass kein Analog-Digital-Wandler (ADC) erforderlich ist. . Der Betrieb bei einer hohen Frequenz verbessert die Empfindlichkeit des Sensors, da kleinere Kapazitätsänderungen zu stärkeren Änderungen der Ausgangsfrequenz führen. Folglich sind die Komplexität und der Stromverbrauch der Schaltung gering, was sie für die Herstellung in großem Maßstab interessant macht. Der Computer wird verwendet, um einen neuartigen Algorithmus auszuführen, der die Form der biologischen Zelle basierend auf den Kapazitätsmesswerten des CSM unter Verwendung von MATLAB R2022a lokalisiert, charakterisiert und vorhersagt.

Das Ziel des vorgeschlagenen Chips besteht darin, die eingeführte biologische Zelle anhand ihrer gemessenen Kapazität abzubilden, zu lokalisieren und zu charakterisieren. Wie in Abb. 1 dargestellt, besteht das vorgeschlagene Design aus CSM, einem Mikrofluidikkanal, PRC und einem Personalcomputer. Jeder Sensor fungiert als Anschluss zum Erzeugen eines elektrischen Feldes und gleichzeitig als Sensor zum Erfassen der Kapazität der getesteten Zelle. Der vorgeschlagene Mikrofluidikkanal soll die obere Platte festhalten und gleichzeitig die Injektion und Probenentsorgung ermöglichen. Die Funktionalität von CSM, PRC und Personal Computer wird in den folgenden Abschnitten ausführlich besprochen.

Das Blockdiagramm der vorgeschlagenen Plattform.

Das entwickelte CSM besteht aus 10 × 10 Sensoren zur Erfassung der Kapazität der biologischen Zelle innerhalb eines Mediums. Jeder Sensor besteht aus zwei Elektroden, die als Parallelplattenkondensator mit einer dielektrischen Zwischenschicht in Form der eingeführten Zelle fungieren. Der Kapazitätswert für jeden Sensor im CSM wird berechnet, um den Standort der eingeführten Zelle zu überwachen und zu identifizieren. Diese Werte werden mithilfe der Maxwell-Kapazitätsmatrix17 dargestellt. Eine Maxwell-Kapazitätsmatrix liefert eine Beziehung zwischen Spannungen an einer Reihe von Leitern und Ladungen an den Leitern17:

Dabei ist Q die Ladung, V die Potentialdifferenz relativ zur Erde und C die Kapazität. COMSOL Multiphysics 5.5 wird verwendet, um die effektivste CSM-Konfiguration zu bestimmen und die Kapazitätswerte von Kochsalzlösung, NLC und HCC zu extrahieren.

Das CSM wurde mit der Finite-Elemente-Methode auf COMSOL Multiphysics 5.5 simuliert. Die Hauptparameter für die Simulation sind die vorgeschlagene Geometriekonfiguration, Materialeigenschaften und physikalische Bedingungen. Die Geometrie besteht aus CSM, einer simulierten Zelle, wie in Abb. 2 dargestellt. Jeder Sensor des 10 × 10 CSM verfügt über zwei bipolare Elektroden mit einer Breite von 1 µm, einem Abstand von 1 µm und einer Fläche von 5 × 5 µm2. Diese Dimension wird jedoch aufgrund der Einschränkungen der TSMC-130-nm-Technologie bei Metall 7 vorgeschlagen. Darüber hinaus bieten wir CSM ohne Passivierungsschicht an, um die Empfindlichkeit zu verbessern, wie frühere Laborexperimente gezeigt haben18,19. Die Höhe, Breite und Länge des vorgeschlagenen Mikrokanals betragen 40 µm, 80 µm bzw. 200 µm. Ein Zylinder mit einer Dicke von 10 μm und Durchmessern von 20 μm und 50 μm wird zur Simulation der biologischen Zellen (NLC und HCC)20,21,22,23,24 verwendet. Wie in Abb. 1 dargestellt, verfügt der vorgeschlagene Mikrofluidikkanal über zwei Einlässe und einen Ausgang. Ein Einlass ermöglicht die Injektion von biologischen Zellen, die in einem ausgewerteten Medium (Kochsalzlösung) suspendiert sind. Ein weiterer Einlass soll die injizierten Zellen möglichst nah an das CSM treiben, um die Empfindlichkeit der vorgeschlagenen Plattform zu erhöhen. Die relative Permittivität des Mediums (Salzlösung) beträgt 78,69, während die relative Permittivität der biologischen Partikel (NLC und HCC) 53 bzw. 58,5 beträgt. Die Permittivität hingegen ist notwendig, um die Maxwell-Kapazitätsmatrix zu modellieren.

Die Geometrie des simulierten CSM.

Jedes Objekt mit dielektrischem Kontrast in der Nähe des Sensors verändert die kapazitive Kopplung zwischen den Elektroden. Um die Sensoraktivierungskonfiguration zu bestimmen, die die erfasste Kapazität maximiert, werden zwei Konfigurationen vorgeschlagen: mit/ohne der oberen Erdungsplatte.

Der Simulationsaufbau ist in Abb. 3 dargestellt und umfasst zwei Phasen: CSM-Scannen und Zellmanipulation. Wie in Abb. 3a dargestellt, werden alle Sensoren nacheinander aktiviert, um bei jedem Schritt der Zellbewegung ein Bild zu erzeugen. Dies wird durch die Anwendung der Stationary Source Sweep-Studie erreicht. Die Stationary Source Sweep-Studie generiert Standardausgangsknoten für drei Varianten der Kapazitätsmatrix, was zur inversen Maxwell-Kapazitätsmatrix führt. Zur Lösung der Kapazitätsmatrixgleichungen wird das elektrostatische Modul gewählt. Die Manipulation der getesteten biologischen Zellen wird mithilfe einer deformierten Geometrie und des parametrischen Sweeps mit einer Bewegungsgeschwindigkeit von 20 μm/Schritt simuliert, wie in Abb. 3b dargestellt.

Simulationsaufbau: (a) CSM-Scanning, (b) Zellmanipulation.

Das zweite Subsystem des vorgeschlagenen Biochips ist die Pixel-Ausleseschaltung (PRC), die für jeden kapazitiven Sensor im CSM vorhanden ist. Wenn eine Probenzelle in die CSM-Elektroden eingeführt wird, beginnt sich eine dielektrische Schicht zu bilden, die die Kapazität der Elektroden erhöht18. Das Ziel der Ausleseschaltung besteht darin, die von den Elektroden des CSM erfasste kapazitive Änderung zu nutzen, um die eingeführte Zelle zu lokalisieren und zu charakterisieren. Der Standort der Zelle wird durch Berechnung des Pixels mit der größten kapazitiven Änderung ermittelt. Der gemessene Kapazitätswert wird auch verwendet, um zu charakterisieren, ob es sich um eine normale Leberzelle oder ein HCC handelt. Das Design des PRC besteht aus einem dreistufigen Ringoszillator, der durch drei in Reihe geschaltete Wechselrichter implementiert wird. Die CSM-Elektroden sind mit jeder Ausleseschaltung verbunden, wobei zwei vorgeschlagene Konfigurationen verwendet werden: die Miller-Kapazitätskonfiguration (MCC) und die geerdete Kapazitätskonfiguration (GCC). Bei der Miller-Kapazitätskonfiguration (MCC) werden die Elektroden über eine Wechselrichterstufe verteilt, wie in Abb. 4a dargestellt. Im Gegensatz dazu werden bei der geerdeten Kapazitätskonfiguration (GCC) beide Elektroden zwischen zwei Wechselrichterstufen platziert, wie in Abb. 4b dargestellt. Die Leistung beider Architekturen wird im Ergebnisteil bewertet. Bei beiden Konfigurationen ist das Hauptbetriebsprinzip der Pixelausleseschaltung ein Kapazitäts-zu-Frequenz-Transduktionsmechanismus. Das Design des Ringoszillators bietet mehrere Vorteile, wie z. B. eine hohe Störfestigkeit und einen dynamischen Ausgangsbereich, da es sich um ein digitales Ausgangssignal mit variierender Frequenz handelt25.

(a) Schaltplan der Miller-Kapazitätskonfiguration (MCC). (b) Schaltplan der geerdeten Kapazitätskonfiguration (GCC).

Diese Funktionalität wird durch Modulation der Ausgangsfrequenz des dreistufigen Ringoszillators mithilfe der kapazitiven Änderung der Zelle erreicht, wie in Abb. 4a,b dargestellt.

Unter der Annahme gleicher Wechselrichterübergänge von hoch nach niedrig und von niedrig nach hoch kann die Ausgangsfrequenz \({\varvec{f}}\) des Ringoszillators mit der Verzögerung jeder Wechselrichterstufe mithilfe der folgenden Gleichung verknüpft werden:

wobei \(tp1, \; tp2, \; tp3\) die Verzögerung der Inverterstufen 1, 2 bzw. 3 sind.

Gleichung (3) stellt eine Analyse erster Ordnung der Verzögerung eines CMOS-Inverters \(tp\) mit einer Lastkapazität \(Cl\) und der Annahme gleicher PMOS- und NMOS-Einschaltwiderstände \(Ron\) dar. 26.

Die Gleichungen (2) und (3) veranschaulichen die umgekehrte Beziehung zwischen der Lastkapazität eines Wechselrichters und der Ausgangsfrequenz des Sensors.

In beiden Konfigurationen wird die Lastkapazität \(Cl\) der ersten Wechselrichterstufe durch die eingeführte Zellkapazität \(Ccell\) beeinflusst. Die Empfindlichkeit der Pixelausleseschaltung ist definiert als die Änderung der Ausgangsfrequenz aufgrund der durch \(Ccell\) eingeführten Kapazitätsänderung. Im Ergebnisbereich wird ein Empfindlichkeitsvergleich zwischen MCC und GCC für verschiedene Kapazitätswerte durchgeführt. Bei MCC wird \(Ccell\) gleichzeitig geladen und entladen, was effektiv die Lastkapazität erhöht und dementsprechend die Ausgangsfrequenz verringert25. Bei GCC wird \(Ccell\) jedoch periodisch zu unterschiedlichen Zeitpunkten geladen und entladen, und daher ist zu erwarten, dass MCC eine größere Empfindlichkeit gegenüber Änderungen in \(Ccell\) aufweist als GCC.

MCC und GCC werden auf der Virtuoso Analog Design Environment (ADE) – Cadence entworfen und simuliert. Die verwendeten Bibliotheken sind „tsmc13rf“ für die 130-nm-Transistoren und „analoglib“ für die Versorgungsspannung von 1 V und die ideale Kapazität, die zur Modellierung der Zelle verwendet werden.

Der Ringoszillator besteht in Reihe aus drei identischen CMOS-Invertern, NMOS- und PMOS-Transistoren und ist bei den MCC- und GCC-Modellen gleich. Um eine hohe Grundfrequenz am Ausgang zu erreichen, sind die Wechselrichter mit minimaler Kanallänge und großer Breite dimensioniert; Darüber hinaus wurde das PMOS um einen Faktor größer dimensioniert als das NMOS, um ein Tastverhältnis von nahezu 50 % zu erreichen. Die Länge und Breite des PMOS beträgt 130 nm bzw. 8450 nm, während die Länge und Breite des PMOS 130 nm bzw. 1300 nm beträgt.

Um den Effekt des Hinzufügens einer biologischen Zelle zwischen den Elektroden des Biochips zu modellieren, wird sowohl dem GCC- als auch dem MCC-Modell eine ideale Kapazität hinzugefügt, wie in Abb. 4a,b dargestellt.

Für jedes Modell wird diese Kapazität variiert und die entsprechende Ausgangsfrequenz der Schaltung mithilfe der integrierten Frequenzrechnerfunktion in ADE berechnet.

In den nächsten Abschnitten wird das MCC mit PVT-Variationen simuliert, um die Fähigkeit des Sensors zu validieren, zwischen normalen Leberzellen und HCC zu unterscheiden; Die verschiedenen Parameter und Ergebnisse sind in Abb. 7c dargestellt. Darüber hinaus wird ein Augendiagramm erstellt, um den Einfluss des Oszillatorrauschens in Bezug auf SNR und Jitter auf die Ausgangsfrequenz zu messen.

Ein neuartiger Algorithmus wird verwendet, um die Messwerte der Sensoren an verschiedenen Positionen einer biologischen Zelle darzustellen und die Form der Zelle mithilfe von MATLAB R2022a vorherzusagen. Zunächst werden die Messwerte aller Sensoren durch ein dynamisches 3D-Diagramm über der Zeit dargestellt (die Positionen der Sensoren in der XY-Ebene und die gemessene Kapazität jedes Sensors in der Z-Richtung). Zweitens werden die generierten Frames analysiert, um die Form der getesteten Zelle an verschiedenen Positionen vorherzusagen. Die detaillierten Verfahren zur Darstellung von CSM-Messwerten und zur Vorhersage der Form der getesteten Zelle werden jedoch im folgenden Abschnitt näher erläutert.

In diesem Abschnitt werden die Ergebnisse der FEM- und Virtuoso-ADE-Simulationen des CSM und des PRC vorgestellt. Darüber hinaus werden die Ergebnisse des neuartigen Algorithmus zur Animation und Vorhersage der Form und Position der getesteten biologischen Zellen diskutiert, um die Fähigkeit des vorgeschlagenen Biochips zur Verfolgung und Charakterisierung der mikrobiologischen Zelle zu bewerten.

Wie in Abb. 5 dargestellt, soll die Mikrofluidikkammer die getesteten Zellen auf einer bestimmten Höhe halten, um die Empfindlichkeit der vorgeschlagenen Plattform zu erhöhen.

(a) Die Stromlinien der Flüssigkeitsgeschwindigkeit innerhalb der Mikrofluidikkammer aufgrund einer Probeneinlassgeschwindigkeit von 50 μm/s und einer Puffereinlassgeschwindigkeit von 150 μm/s. (b) Die Partikelverfolgung beim Ziehen getesteter Zellen in die Nähe von CSM. (c) Die Auswirkung der Puffereinlassgeschwindigkeit auf die Höhe der getesteten Zellen über CSM.

Die Auswirkung des Hinzufügens eines weiteren Einlasses zur Anpassung der Höhe der injizierten getesteten Zellen durch den Primäreinlass ist in Abb. 5 dargestellt. Abbildung 5c zeigt, dass die Zellen umso näher am CSM sind, je höher die Puffereinlassgeschwindigkeit ist. Folglich können wir durch die Regulierung der Puffereinlassgeschwindigkeit die Zellen mit einem winzigen Fehler von 0,1 auf einer konstanten Höhe halten.

Verschiedene CSM-Konfigurationen werden simuliert, um die effektivste Konfiguration zum Erfassen der Zellkapazität zu ermitteln, wie in Abb. 6a dargestellt. Einem Algorithmus unter Verwendung von MATLAB gelang es jedoch, die Messwerte von CSM zu visualisieren, wie in Abb. 6a dargestellt. Wie in Abb. 6a dargestellt, ändern sich die Höhe und die Farbe jedes Balkens, der jeden Sensormesswert darstellt, durch Ändern der Position der Zelle, wobei Grün anzeigt, dass die Zelle weit entfernt ist, Orange, dass die Zelle in der Nähe ist, und Gelb bedeutet, dass sich die Zelle über dem Sensor befindet. Wie in Abb. 6a gezeigt, gibt es eine deutliche Verbesserung der Empfindlichkeit der Sensoren in der getesteten Zelle, wenn eine geerdete obere Platte mit einer sehr geringen Fehlerrate (0,8 %) und einer großen Kapazitätsschwankung (4,14 fF) aufgrund des Vorhandenseins von verwendet wird biologische Zelle (HCC), verglichen mit der Verwendung einer geerdeten oberen Platte, was zu einer erheblichen Ungleichheit zwischen den Sensormesswerten führt (9 %). Die große Kapazitätsschwankung ermöglicht jedoch eine einfache Erkennung biologischer Zellen durch die Ausleseschaltung. Darüber hinaus werden verschiedene Bedingungen getesteter biologischer Zellen simuliert, um die Empfindlichkeit von CSM unter verschiedenen Bedingungen biologischer Zellen (z. B. verschiedene Typen, Größen, Positionen in x-Richtung, Höhen in z-Richtung) zu bestimmen, wie in Abb. 6b,c. Abbildung 6b zeigt die Kapazität von animiertem NLC und HCC an verschiedenen Stellen in x-Richtung.

(a) Ein Vergleich zwischen den Messwerten des Sensors unter Verwendung zweier Konfigurationen mit/ohne geerdeter oberer Platte im Hinblick auf den Mittelwert der Kapazitätsschwankungen (Kapazität von in Kochsalzlösung suspendiertem HCC – Kapazität von Kochsalzlösung) (SE: Standardfehler und EP: Fehlerprozentsatz). ), (b) Sensor E5′-Messwerte von NLC und HCC im Vergleich zur Zellposition in der x-Richtung bei einer Höhe von 2,5 µm. (c) CSM-Messwerte in verschiedenen Höhen von NLC und HCC über dem CSM (Höhe (H): 2,5 ± 0,5 µm) in Z-Richtung.

Wie in Abb. 6b dargestellt, ist es möglich, die Größe und den Typ der Zelle anhand der Breite und Höhe des Impulses der gemessenen Kapazität eines einzelnen Sensors (E5) zu identifizieren. Abbildung 6b zeigt auch, dass die von einem CSM-Sensor gemessene Kapazität umso größer ist, je größer die getestete Zellgröße ist. In vertikaler Richtung der CSM-Ebene werden mit CSM unterschiedliche Höhen der biologischen Zelle über einem der Sensoren gemessen, wie in Abb. 6c dargestellt. Dieser Vergleich wird bevorzugt, um die Auswirkung des Abstands in Z-Richtung auf die Messwerte zu untersuchen. Die Ergebnisse zeigten, dass bei einer Wahrscheinlichkeit von 20 % Änderungen (2,5 ± 0,5 µm) in der Höhe jeder Zelle immer noch ein Unterschied zwischen den gemessenen Kapazitäten von NLC (19,1 ± 0,4) und HCC (20,23 ± 0,6) besteht. Abbildung 6c zeigt auch, dass die von einem CSM-Sensor gemessene Kapazität umso kleiner ist, je größer die Höhe der getesteten Zellengröße ist. Daher wird die Zelle während der Messung vorzugsweise auf einer bestimmten Höhe zum Sensor gehalten, um eine maximale Empfindlichkeit zu gewährleisten. Darüber hinaus hat das Vorhandensein der oberen Erdungsplatte den zusätzlichen Vorteil, dass der Raum, in dem sich die Zelle befindet, reduziert wird, was die Nähe zwischen Zelle und Sensor verbessert.

Tabelle 1 zeigt die extrahierten Kapazitätswerte von Luft, Kochsalzlösung, NLC und HCC aus dem CSM COMSOL Multiphysics-Modell. Im Fall von Luft und Kochsalzlösung werden der Durchschnitt und die Standardabweichung unter Verwendung aller Sensoren berechnet, im Fall von Zellen jedoch nur unter Verwendung der Sensoren, die die Zelle erfasst haben, und das sind 2 × 2 Sensoren für NLC und 6 × 6 Sensoren für HCC.

Diese extrahierten Kapazitätswerte werden beim Testen der Ausleseschaltung verwendet, um deren Charakterisierung und Erfassungsleistung zu bewerten.

Die MCC- und GCC-Ausgangsfrequenzen für einen einzelnen Sensor werden für verschiedene aus COMSOL Multiphysics extrahierte Kapazitätswerte verglichen, wie in Abb. 7a dargestellt. Die interessierende Metrik ist die Steigung der Ausgangsfrequenz als Funktion der Kapazität, da sie die Empfindlichkeit des Sensors darstellt. Die Ergebnisse des Vergleichsexperiments zeigen, dass der MCC eine höhere Empfindlichkeit gegenüber kapazitiven Änderungen bietet als der GCC; Daher wird der MCC für alle folgenden Simulationen ausgewählt. Das Testverfahren des MCC besteht darin, zunächst einen Referenzwert zu erhalten, indem die Kapazität der Kochsalzlösung in die Simulation eingegeben und die Ausgangsfrequenz aufgezeichnet wird. Der nächste Schritt besteht darin, die Kapazität des HCC oder NLC einzugeben und die Ausgangsfrequenz aufzuzeichnen, nachdem die Salzlösungs- oder Referenzmessung abgezogen wurde. Tabelle 2 zeigt die Ergebnisse des MCC-Tests unter Verwendung der Kapazitätswerte von Kochsalzlösung (C = 16,5 fF). Darüber hinaus ist in Abb. 7b das Augendiagramm der Ausgangsfrequenz für Kochsalzlösung (C = 16,5 fF) dargestellt. Der Jitter (die Liniendicke am 0,5-V-Kreuzungspunkt), das SNR (Augenhöhe), das Tastverhältnis (Augenwinkel), die Periode und die Ausgangsfrequenz, bezeichnet mit \(Fout\), werden berechnet und in Tabelle 2 dargestellt. Gleichung . 4 zeigt, wie der Frequenzfehler aufgrund von Jitter, \(Ferror\), berechnet wird.

(a) Die simulierte Ausgangsfrequenz der Pixel-Ausleseschaltung im Vergleich zu den geschätzten Kapazitätswerten. (b) Augendiagrammanalyse des Ausgangsfrequenzsignals für Kochsalzlösung (C = 16,5 fF). (c) die maximale positive und negative Abweichung bei Messungen von PVT-Variationen (Spannung: 1 ± 0,1 V, Temperatur: 27 ± 10 °C) und (d) normalisierte (Salzlösungswerte von NLC- und HCC-Werten subtrahieren) Frequenzwerte der PVT-Studie von HCC und normalen Leberzellen mit Durchmessern von 20, 50 µm und einer Kapazität von 19,1 ± 0,4 bzw. 20,2 ± 0,6 fF.

Abbildung 7c zeigt die maximale positive und negative Abweichung bei Messungen von PVT-Variationen (Spannung: 1 ± 0,1 V, Temperatur: 27 ± 10 °C). Wie in Abb. 7c dargestellt, haben Spannungsschwankungen einen größeren Einfluss auf die Ausgangsfrequenz als Temperaturänderungen, jedoch mit der gleichen Steigung.

Abbildung 7d zeigt die normalisierte Frequenz von NLC und HCC durch Subtrahieren der Ausgangsfrequenz von Kochsalzlösung von der Ausgangsfrequenz von in Kochsalzlösung suspendiertem NLC und in Kochsalzlösung suspendiertem HCC, um den Einfluss von PVT-Variationen auf die Charakterisierungsleistung des Sensors zu reduzieren. Diese Ergebnisse belegen die Fähigkeit des Sensors, normale und abnormale Zellen bei Vorhandensein von PVT-Variationen genau zu charakterisieren. Aufgrund der normalisierten Messung werden alle durch das Routing entstehenden Störfaktoren entfernt, da sie zu gemeinsamen Frequenzversätzen sowohl bei den Salzlösungs- als auch bei den NLC/HCC-Messungen führen.

Der durch Jitter verursachte Frequenzfehler (0,0162 GHz) in Tabelle 2 kann vernachlässigt werden, da er geringer ist als die Differenz zwischen der normalisierten normalen Leberzelle und HCC (0,106 GHz), wie in Abb. 7d dargestellt. Darüber hinaus beträgt der Stromverbrauch 459,3 μW und wurde anhand des Durchschnitts der gesamten vom Vdd bezogenen Leistung berechnet.

Wie in Abb. 8a dargestellt, wird ein neuartiger Algorithmus unter Verwendung von MATLAB entwickelt, um die Form und Position der getesteten Zelle mithilfe vieler Schritte abzuschätzen. Zunächst wird die Kapazitätsmatrix mithilfe einer integrierten Funktion (mat2gray) in ein Graustufenbild umgewandelt. Anschließend wird das Graustufenbild mithilfe eines Schwellenwerts, der dem Mittelwert der Kapazitätswerte entspricht, in ein Binärbild umgewandelt. Die Kontur des Binärbilds wird mithilfe einer integrierten Funktion (bwperim und convhull) bestimmt. Die Kontur wird mithilfe der integrierten Funktion (cscvn) der kubischen Spline-Kurve geglättet. Der Schwerpunkt des Polygons wird mithilfe einer integrierten Funktion (Schwerpunkt) bestimmt. Der Radius wird bestimmt, indem nach dem häufigsten Radius (Modus) aus einer Reihe von Entfernungen gesucht wird, die mithilfe von (Euklidischer Abstand zwischen jedem Punkt auf dem Polygon und dem Schwerpunkt) geschätzt werden.

(a) Die Verfahren zur Schätzung der Zellform, (b) die Formschätzung von NLC und HCC an verschiedenen Positionsformen basierend auf CSM-Messwerten von COMSOL Multiphysics.

Einem neuartigen Algorithmus unter Verwendung von MATLAB gelang es, die Form von NLC und HCC anhand der CSM-Messwerte an verschiedenen Zellpositionen abzuschätzen, wie in Abb. 8b dargestellt. Die Messwerte der Sensoren an verschiedenen Positionen von NLC und HCC werden analysiert, um die Form und Position der getesteten Zelle zu modellieren. In Abb. 8b sind die erwartete Zellform und die Standortvisualisierung nahezu identisch mit der animierten Zellbewegung bei jedem Schritt. Die vorgeschlagene CSM-Schätzgenauigkeit beträgt jedoch 96,5 % bei der Schätzung des Radius und 98,1 % bei der Schätzung der Position des getesteten HCC, während sie bei der Berechnung des Radius 97 % und bei der Schätzung der Position des getesteten NLC 100 % beträgt.

Tabelle 3 bietet einen Leistungsvergleich verschiedener kapazitiver CMOS-Biosensoren. Unsere Forschung ist die erste, die sich auf die Formvorhersage der getesteten biologischen Zellen in Biosensor-Arrays konzentriert, während andere sich ausschließlich mit Kapazitätsmessungen befassen. Darüber hinaus sind wir daran interessiert, die Auswirkungen etwaiger Fehler, die aufgrund der Sensormatrix oder der Schaltung auftreten könnten, zu untersuchen und zu beseitigen. Zu diesen Fehlern zählen die Höhe der getesteten biologischen Zellen innerhalb des Mikrofluidikkanals, die Empfindlichkeit der Sensoren gegenüber der Anwesenheit biologischer Zellen, der Einfluss von Temperatur- und Spannungsschwankungen sowie die Auswirkung parasitärer Kapazitäten.

Die Auswirkungen dieser Fehler wurden jedoch durch Folgendes behoben: Eine geerdete obere Platte wird hinzugefügt, um die Empfindlichkeit der Sensoren gegenüber dem Vorhandensein biologischer Zellen zu erhöhen. Die Mikrofluidikkammer wurde entwickelt, um die getesteten biologischen Zellen auf einer bestimmten Höhe zu halten. Unter Verwendung von Kochsalzlösung als Referenz wird der Kapazitätswert normalisiert, um die Auswirkungen von Fehlern der Ausleseschaltung wie parasitäre Kapazitäten, Temperaturänderungen und Spannungsänderungen zu beseitigen.

Zur Charakterisierung und Lokalisierung der biologischen Zellen wird ein kapazitiver Biochip vorgestellt und diskutiert. Ein FEM-Modell einer Matrix aus 10 × 10 kapazitiven Sensoren wird mit COMSOL Multiphysics 5.5 implementiert. Eine auf einem Ringoszillator basierende Ausleseschaltung wird mit Virtuoso Analog Design Environment – Cadence simuliert. Verschiedene Konfigurationen zur Messung der Kapazität der biologischen Zelle werden getestet, um die optimale Konfiguration auszuwählen, die die Empfindlichkeit maximiert. Die Ergebnisse belegen, dass die obere Erdungsplatte mit standardmäßig geerdeten Sensoren außer dem aktivierten Sensor die ideale Konfiguration für das CSM ist. Der Einfluss des Abstands zwischen den getesteten Zellen und der CSM-Ebene auf die Kapazitätswerte wird untersucht und diskutiert. Die Ergebnisse zeigen, dass die gemessene Kapazität umso höher ist, je näher die Zellen am Sensor sind, was zu einer besseren Empfindlichkeit führt, was intuitiv zu erwarten ist.

Mit dem vorgeschlagenen CSM werden verschiedene Arten und Größen biologischer Zellen (z. B. in Kochsalzlösung suspendierte NLC und HCC) modelliert und getestet. Die Ergebnisse der gemessenen Kapazität und ihrer korrelierten Frequenz aus beiden Modellen, CSM und der Ausleseschaltung, belegen die Fähigkeit der vorgeschlagenen Architektur, zwischen verschiedenen Arten und Größen biologischer Zellen (NLC und HCC) zu unterscheiden. Mit MATLAB R2022a wird ein neuartiger Algorithmus entwickelt, um die Bewegung der simulierten Zellen zu animieren und die Form und Position der getesteten Zellen anhand der von CSM gemessenen Kapazitäten vorherzusagen. Die Ergebnisse zeigen, dass es dem entwickelten Algorithmus gelang, die Lage und Größe von NLC und HCC mit nahezu hundertprozentiger Genauigkeit abzuschätzen. Außerdem ermöglicht diese Überwachung die Schätzung zusätzlicher Merkmale wie der Geschwindigkeit und des Volumens der manipulierten Partikel ohne externe Ausrüstung wie ein optisches Mikroskop. Schließlich wird ein vollständig integrierter Biochip zur Überwachung und Identifizierung biologischer Zellen unter Verwendung einer ringoszillatorbasierten kapazitiven Sensormatrix entwickelt, der zahlreiche Vorteile wie Effizienz, geringe Größe und niedrige Kosten bietet und die Notwendigkeit einer Probenkennzeichnung und externer Ausrüstung überflüssig macht. Diese Arbeit zeigt vielversprechende Ergebnisse als Proof of Concept für einen Biochip, der zur Charakterisierung und Bildgebung geeignet ist. Zukünftige Arbeiten werden den Einsatz kleinerer Technologien für eine verbesserte Empfindlichkeit und einen vollständig hergestellten Chip zum Testen realer biologischer Zellen umfassen.

Die Daten, die die Ergebnisse dieser Studie stützen, sind auf begründete Anfrage beim entsprechenden Autor erhältlich.

Forouhi, S., Dehghani, R. & Ghafar-Zadeh, E. CMOS-basierte kapazitive Sensoren für biowissenschaftliche Anwendungen: Ein Überblick. Sens. Aktoren A Phys. 297, 111531 (2019).

Artikel CAS Google Scholar

Kim, J. et al. Tragbare Biosensoren für die Gesundheitsüberwachung. Nat. Biotechnologie. 37(4), 389–406 (2019).

Artikel CAS Google Scholar

Lei, KM et al. CMOS-Biosensoren für die In-vitro-Diagnose – übertragende Mechanismen und Anwendungen. Lab Chip 16(19), 3664–3681 (2016).

Artikel CAS Google Scholar

Nabovati, G et al. Kapazitives CMOS-Sensorarray zur kontinuierlichen Überwachung des Wachstums adhärenter Zellen. Im Jahr 2016 IEEE International Symposium on Circuits and Systems (ISCAS). (IEEE, 2016).

Xu, G., Abbott, J. & Ham, D. Optimierung der CMOS-ISFET-basierten biomolekularen Sensorik: Analyse und Demonstration beim DNA-Nachweis. IEEE Trans. Electron Devices 63, 3249–3256 (2016).

ADS CAS Google Scholar

Musayev, J. et al. Erfassung und Erkennung von MCF-7-Brustkrebszellen mit einem CMOS-Bildsensor. Sens. Aktoren A Phys. 215, 105–114 (2014).

Artikel CAS Google Scholar

Alhoshany, A., Sivashankar, S., Mashraei, Y., Omran, H. & Salama, KN Eine Biosensor-CMOS-Plattform und eine integrierte Ausleseschaltung in 0,18-m-CMOS-Technologie zur Erkennung von Krebs-Biomarkern. Sensoren 17, 1942 (2017).

Artikel ADS Google Scholar

Dehennis, A., Getzlaff, S., Grice, D. & Mailand, M. Ein NFC-fähiger CMOS-IC für einen drahtlosen, vollständig implantierbaren Glukosesensor. IEEE J. Biomed. Gesundheitsinformationen. 20, 18–28 (2016).

Artikel Google Scholar

Massicotte, G., Carrara, S., Di Micheli, G. & Sawan, M. Ein amperometrisches CMOS-System zur Erkennung mehrerer Neurotransmitter. IEEE Trans. Biomed. Schaltungen Syst. 10, 731–741 (2016).

Artikel Google Scholar

Jeon, GJ et al. Hochempfindlicher, aktivmatrixgesteuerter, selbstkapazitiver Fingerabdrucksensor auf Basis eines Oxid-Dünnschichttransistors. Wissenschaft. Rep. 9(1), 1–10 (2019).

Artikel Google Scholar

Senevirathna, BP et al. Echtzeitmessungen der Zellproliferation mithilfe eines Lab-on-CMOS-Kapazitätssensor-Arrays. IEEE Trans. Biomed. Schaltungen Syst. 12(3), 510–520 (2018).

Artikel Google Scholar

Senevirathna, B., Lu, S. & Abshire, P. Charakterisierung eines Lab-on-CMOS-Kapazitätssensor-Arrays mit hohem Dynamikbereich. Im Jahr 2017 IEEE International Symposium on Circuits and Systems (ISCAS) (IEEE, 2017).

Nabovati, G. et al. Kapazitives CMOS-Sensorarray zur kontinuierlichen Überwachung des Wachstums adhärenter Zellen. Im Jahr 2016 IEEE International Symposium on Circuits and Systems (ISCAS) (IEEE, 2016).

Couniot, N., Francis, LA & Flandre, D. Ein kapazitives 16×16 CMOS-Biosensor-Array zur Erkennung einer einzelnen Bakterienzelle. IEEE Trans. Biomed. Schaltungen Syst. 10(2), 364–374 (2015).

Artikel Google Scholar

Laborde, C. et al. Echtzeit-Bildgebung von Mikropartikeln und lebenden Zellen mit CMOS-Nanokondensator-Arrays. Nat. Nanotechnologie. 10(9), 791–795 (2015).

Artikel ADS CAS Google Scholar

Zhang, Y., Sun, Y. & Wen, Y. Ein Bildgebungsalgorithmus eines Planar-Array-Kapazitätssensors zur Defekterkennung. Messung 168, 108466 (2021).

Artikel Google Scholar

Di Lorenzo, E. Die Maxwell-Kapazitätsmatrix. http://www.fastfieldsolver.com (2011).

Abdelhamid, H. et al. Ein kapazitiver Sensor zur Unterscheidung zwischen virusinfizierten und nicht infizierten Zellen. Sens. Bio-Sens. Res. 36, 100497 (2022).

Artikel Google Scholar

Abdelhamid, H. et al. Nachweis lebensmittelbedingter Krankheitserreger mithilfe neuartiger vertikaler kapazitiver Sensoren. Alex. Ing. J. 61(5), 3873–3882 (2022).

Artikel Google Scholar

Kalinin, AA et al. 3D-Formmodellierung für die morphologische Analyse und Klassifizierung des Zellkerns. Wissenschaft. Rep. 8(1), 1–14 (2018).

Google Scholar

Joines, WT, Zhang, Y., Li, C. & Jirtle, RL die gemessenen elektrischen Eigenschaften von normalem und bösartigem menschlichem Gewebe von 50 bis 900 MHz. Med. Phys. 21(4), 547–550 (1994).

Artikel CAS Google Scholar

Holczbauer, A. et al. Modellierung der Pathogenese von primärem Leberkrebs in linienspezifischen Mauszelltypen. Gastroenterology 145(1), 221–231 (2013).

Artikel CAS Google Scholar

Freitas, RA Jr. Nanomedizin, Band I: Grundlegende Fähigkeiten (Landes Bioscience, 1999).

Google Scholar

Boughriet, A., Wu, Z., McCann, H. & Davis, LE Die Messung der dielektrischen Eigenschaften von Flüssigkeiten bei Mikrowellenfrequenzen unter Verwendung von Koaxialsonden mit offenem Ende.

Andreev, B., Titlebaum, EL & Friedman, EG Dimensionierung von CMOS-Wechselrichtern mit Miller-Effekt und Schwellenspannungsschwankungen. J. Circuits Syst. Berechnen. 15(3), 437–454 (2006).

Artikel Google Scholar

Rabaey, JM, Chandrakasan, AP & Nikolic, B. Digital Integrated Circuits Vol. 2 (Englewood Cliffs, 2002).

Google Scholar

Referenzen herunterladen

Diese Forschung wurde teilweise von Zewail City of Science and Technology, AUC, STDF, Intel, Mentor Graphics, ITIDA, SRC, ASRT und MCIT finanziert.

Open-Access-Finanzierung durch die Science, Technology & Innovation Funding Authority (STDF) in Zusammenarbeit mit der Egyptian Knowledge Bank (EKB).

Abteilung für Biomedizintechnik, Fakultät für Ingenieurwissenschaften, Helwan-Universität, Kairo, Ägypten

Reda Abdelbaset und Yehya H. Ghallab

Center of Nanoelectronics and Devices (CND), The American University in Cairo (AUC) und Zewail City of Science and Technology, Kairo, Ägypten

Reda Abdelbaset, Yehia El-Sehrawy, Omar E. Morsy, Yehya H. Ghallab und Yehea Ismail

Sie können diesen Autor auch in PubMed Google Scholar suchen

RA, YE: Methodik, Software, formale Analyse, Schreiben – Originalentwurf. OEM: Methodik, Software. YHG: Methodik, formale Analyse. YI: Visualisierung, Supervision.

Korrespondenz mit Reda Abdelbaset.

Die Autoren geben an, dass keine Interessenkonflikte bestehen.

Springer Nature bleibt neutral hinsichtlich der Zuständigkeitsansprüche in veröffentlichten Karten und institutionellen Zugehörigkeiten.

Open Access Dieser Artikel ist unter einer Creative Commons Attribution 4.0 International License lizenziert, die die Nutzung, Weitergabe, Anpassung, Verbreitung und Reproduktion in jedem Medium oder Format erlaubt, sofern Sie den/die ursprünglichen Autor(en) und die Quelle angemessen angeben. Geben Sie einen Link zur Creative Commons-Lizenz an und geben Sie an, ob Änderungen vorgenommen wurden. Die Bilder oder anderes Material Dritter in diesem Artikel sind in der Creative Commons-Lizenz des Artikels enthalten, sofern in der Quellenangabe für das Material nichts anderes angegeben ist. Wenn Material nicht in der Creative-Commons-Lizenz des Artikels enthalten ist und Ihre beabsichtigte Nutzung nicht gesetzlich zulässig ist oder über die zulässige Nutzung hinausgeht, müssen Sie die Genehmigung direkt vom Urheberrechtsinhaber einholen. Um eine Kopie dieser Lizenz anzuzeigen, besuchen Sie http://creativecommons.org/licenses/by/4.0/.

Nachdrucke und Genehmigungen

Abdelbaset, R., El-Sehrawy, Y., Morsy, OE et al. CMOS-basierte kapazitive Sensormatrix zur Charakterisierung und Verfolgung biologischer Zellen. Sci Rep 12, 13839 (2022). https://doi.org/10.1038/s41598-022-18005-1

Zitat herunterladen

Eingegangen: 06. Mai 2022

Angenommen: 03. August 2022

Veröffentlicht: 16. August 2022

DOI: https://doi.org/10.1038/s41598-022-18005-1

Jeder, mit dem Sie den folgenden Link teilen, kann diesen Inhalt lesen:

Leider ist für diesen Artikel derzeit kein gemeinsam nutzbarer Link verfügbar.

Bereitgestellt von der Content-Sharing-Initiative Springer Nature SharedIt

Durch das Absenden eines Kommentars erklären Sie sich damit einverstanden, unsere Nutzungsbedingungen und Community-Richtlinien einzuhalten. Wenn Sie etwas als missbräuchlich empfinden oder etwas nicht unseren Bedingungen oder Richtlinien entspricht, kennzeichnen Sie es bitte als unangemessen.