Adv Sci  | 武汉大学徐可与华中科技大学集成电路学院刘欢团队联合研制AI电子鼻“闻”出病毒

近日，高致病性病毒与生物安全全国重点实验室/武汉大学生命科学学院徐可课题组与华中科技大学集成电路学院刘欢课题组在国际期刊《Advanced Science》发表了题为“Real-Time and Non-Invasive Detection of Respiratory Viral Infections Using an Intelligent Odor Monitoring System (IOMS)”的研究成果。团队成功构建了一套能连续"嗅"出呼吸道病毒感染的智能气味监测系统（IOMS），在机体接触病毒不到半天时间（7–8小时）即可捕捉病毒信号，实现基于机器学习算法的“电子鼻”稳健识别病毒——准确率高达99.88%，为呼吸道传染病的超早期无创筛查提供了极具潜力的技术方案。

一只小鼠正常呼吸，它身边的传感器已经悄悄"闻"出了它体内的流感病毒。此时，距离它接触病毒仅仅过去了7个小时。武汉大学徐可课题组联合华中科技大学刘欢课题组最新发表的一项研究成果，构建了一套名为IOMS（Intelligent Odor Monitoring System，智能气味监测系统）的"AI电子鼻"，并将其嵌入实验动物笼具，以每秒1次的频率连续7天不间断"嗅探"，最终从超过360万个纵向气味数据点中，教会了电子鼻精准识别病毒感染。

实时监测感染相关挥发性有机化合物（VOCs），为呼吸道感染的早期检测提供了无创技术路径。但复杂的 VOC 混合组分、待测物丰度低、显著的个体生物学差异，仍制约着诊断精准度。本研究构建了一套基于感染标志物筛选的智能气味监测系统（IOMS）。研究先鉴定出乳酸乙酯、3,5 - 二甲基辛烷等感染特征标志物，以此指导开发高灵敏度传感器阵列，并将其集成至独立通风笼具（IVC）实验平台。系统采样频率 1 赫兹，在为期 7 天的感染周期内共采集 3628800 组纵向时序检测数据，成功捕捉感染组与未感染组间截然不同的气味响应动态特征；探索性主成分分析也佐证了不同感染阶段存在特征性时序变化规律。

本研究采用 K 近邻（KNN）、支持向量机（SVM）、线性判别分析（LDA）等机器学习模型，基于上述时序动态数据对完整感染周期进行建模，最优模型内部验证准确率达 99.88%；独立盲样队列试验进一步验证了模型的泛化能力。值得关注的是，小鼠在感染后 7–8 小时即可出现早期传感器信号偏移，感染 9 小时后模型便能实现稳定区分，证实该体系可在小鼠模型中实现感染早期监测。

该智能气味监测系统将标志物靶向气味传感与机器学习算法相融合，可实现自动化、持续性监测，充分证明纵向 VOC 时序监测技术在呼吸道感染临床前动物研究中具备广阔应用前景。

IOMS 智能电子鼻连续"嗅"出病毒感染相关气味动态

武汉大学生命科学学院博士研究生沈亚洁、博士后袁为锋、华中科技大学李龙博士为本文共同第一作者，华中科技大学刘欢教授、武汉大学徐可教授为本文共同通讯作者。该工作是武汉大学高致病性病毒与生物安全全国重点实验室“开放课题”支持下开展的医工交叉合作研究，建立了流感病毒感染的无创快速识别模型，研究同时得到国家重点研发计划、国家自然科学基金及湖北省重点研发计划等资助。该研究发现的气体标志物申请国家发明专利，IOMS系统已获得实用新型专利授权。

文章链接：https://advanced.onlinelibrary.wiley.com/doi/10.1002/advs.76244