Matriz de sensor capacitivo basada en CMOS para caracterizar y rastrear células biológicas

Scientific Reports volumen 12, número de artículo: 13839 (2022) Citar este artículo

1811 Accesos

2 citas

1 altmétrica

Detalles de métricas

La caracterización y el seguimiento de células biológicas mediante biosensores son necesarios para muchos campos científicos, específicamente el seguimiento de cultivos celulares. Los sensores capacitivos ofrecen una gran solución debido a su capacidad para extraer muchas características, como la posición, la forma y la capacitancia de las células biológicas. A través de este estudio, se diseña y simula un biochip basado en CMOS que consta de una matriz de sensores capacitivos (CSM), que utiliza un circuito de lectura de píxeles (PRC) basado en un oscilador de anillo, para rastrear y caracterizar una sola célula biológica en función de su antes mencionado. diferentes características. El biochip propuesto se simula para caracterizar una única célula de carcinoma hepatocelular (HCC) y una única célula hepática normal (NLC). Se utilizó COMSOL Multiphysics para extraer los valores de capacitancia de HCC y NLC y probar el rendimiento del CSM a diferentes distancias del analito. La capacidad del PRC para detectar los valores de capacitancia extraídos del HCC y NLC se evalúa utilizando Virtuoso Analog Design Environment. Se desarrolla un algoritmo novedoso para animar y predecir la ubicación y forma de la célula biológica probada dependiendo de las lecturas de capacitancia de CSM simultáneamente utilizando el script MATLAB R2022a. Los resultados de ambos modelos, la capacitancia medida del CSM y la frecuencia correlacionada del circuito de lectura, muestran la capacidad del biochip para caracterizar y distinguir entre HCC y NLC.

Monitorear y visualizar el movimiento y el crecimiento de las células bajo un actuador físico o condiciones de cultivo celular son aplicaciones críticas para muchos científicos biológicos1. Los biosensores se utilizan ampliamente debido a su capacidad para proporcionar información fisiológica continua y en tiempo real mediante mediciones dinámicas y no invasivas de las propiedades físicas de las células biológicas en biofluidos, como el sudor, las lágrimas, la saliva y el líquido intersticial2. Además, ofrecen alta precisión, velocidad, portabilidad, bajo costo y bajo consumo de energía2. Esto distingue a los chips integrados con respecto a este tipo de aplicaciones de los métodos tradicionales, como el procesamiento de imágenes microscópicas, que son más complejos, carecen de portabilidad y tienen un costo más alto3.

Además, estas técnicas tradicionales consumen mucho tiempo porque requieren varios pasos para la preparación de la muestra. En ocasiones son tóxicos, lo que los hace inadecuados para una lectura continua y necesitan un área más extensa4.

La implementación de biosensores basados en tecnologías de semiconductores complementarios de óxido metálico (CMOS) ofrece un alto rendimiento1. La tecnología CMOS tiene muchas otras ventajas, como poder adaptar una gran cantidad de sensores con sus circuitos electrónicos asociados para crear un único Laboratorio en Chip (LOC), reduciendo el tiempo consumido en análisis biológicos como el análisis de ADN5, la detección de cáncer6,7 , monitorización continua de glucosa8 y detección neuroquímica9.

Los sensores capacitivos basados en CMOS no solo son compactos, sino que también presentan una alta sensibilidad para muchas aplicaciones biológicas4. Los sensores capacitivos se basan en detectar un cambio dieléctrico encima o entre los electrodos capacitivos. Se produce un cambio dieléctrico debido a la nube iónica en la membrana celular cuando la celda se introduce por encima de los sensores capacitivos10. Este cambio es pequeño y, por lo tanto, requiere una medición utilizando un circuito de lectura capacitivo susceptible.

Trabajos anteriores en el campo de los sensores capacitivos basados en CMOS se han centrado en la caracterización o obtención de imágenes de analitos. Senevirathna, Bathiya Prashan y otros. desarrollaron una matriz capacitiva basada en CMOS para cuantificar la proliferación y adhesión celular11,12. Nabovati et al. diseñaron una matriz capacitiva basada en CMOS para monitorear el crecimiento continuo de células adherentes13. Couniot et al. diseñó una matriz capacitiva basada en CMOS para detectar una sola célula bacteriana14. Zhang et al. diseñó un sensor capacitivo basado en imágenes para la detección de defectos15. Laborde et al. desarrolló una matriz de sensores capacitivos de alta densidad para obtener imágenes de micropartículas y células vivas16.

Sin embargo, el propósito de esta investigación es realizar la caracterización y la obtención de imágenes de células biológicas utilizando una matriz de sensores capacitivos bipolares de alta densidad, un circuito de lectura basado en un oscilador de anillo de alta frecuencia y un script novedoso para predecir la forma de la célula analizada. utilizando interpolación spline cúbica. Como prueba de concepto, se sugiere un nuevo biochip capacitivo para localizar, caracterizar y predecir la forma de una célula biológica; El trabajo se centra en la distinción entre una única célula de carcinoma hepatocelular (HCC) y una única célula hepática normal (NLC). El biochip propuesto consta de cuatro partes principales: una matriz de 10 × 10 de sensores capacitivos (CSM), un circuito de lectura de píxeles (PRC), una cámara de microfluidos y una computadora personal. A diferencia de trabajos anteriores, el diseño del CSM presenta una placa de tierra superior para garantizar que no haya ruido que interfiera con la lectura. El CSM se simula utilizando el método de elementos finitos (FEM), específicamente COMSOL Multiphysics 5.5. El PRC, diseñado y simulado en Virtuoso Analog Design Environment—Cadence, utiliza un circuito de lectura basado en un oscilador de anillo de alta frecuencia con una salida de frecuencia digital que se puede medir usando un contador, eliminando la necesidad de un convertidor analógico a digital (ADC). . Operar a alta frecuencia mejora la sensibilidad del sensor, ya que cambios de capacitancia más pequeños dan como resultado cambios más significativos en la frecuencia de salida. En consecuencia, la complejidad y el consumo de energía del circuito son bajos, lo que lo hace atractivo para fines de fabricación a gran escala. La computadora se utiliza para ejecutar un algoritmo novedoso que localiza, caracteriza y predice la forma de la célula biológica basándose en las lecturas de capacitancia del CSM utilizando MATLAB R2022a.

El objetivo del chip propuesto es obtener imágenes, localizar y caracterizar la célula biológica introducida en función de su capacitancia medida. Como se muestra en la Fig. 1, el diseño propuesto consta de CSM, un canal de microfluidos, PRC y una computadora personal. Cada sensor actúa como terminal para generar un campo eléctrico y, simultáneamente, como sensor para detectar la capacitancia de la celda probada. El canal de microfluidos propuesto está destinado a retener la placa superior y al mismo tiempo permitir la inyección y la eliminación de muestras. La funcionalidad del CSM, PRC y la computadora personal se analizará en detalle en las siguientes secciones.

El diagrama de bloques de la plataforma propuesta.

El CSM desarrollado consta de 10 × 10 sensores para detectar la capacitancia de la célula biológica dentro de un medio. Cada sensor consta de electrodos duales que actúan como un condensador de placas paralelas con una capa dieléctrica intermedia en forma de celda introducida. La lectura de capacitancia para cada sensor en el CSM se calcula para monitorear e identificar la ubicación de la celda introducida. Estos valores se representan utilizando la matriz de capacitancia de Maxwell17. Una matriz de capacitancia de Maxwell proporciona una relación entre los voltajes en un conjunto de conductores y las cargas en los conductores17:

donde Q es la carga, V es la diferencia de potencial con respecto a tierra y C es la capacitancia. COMSOL Multiphysics 5.5 se utiliza para determinar la configuración CSM más efectiva, así como para extraer los valores de capacitancia de solución salina, NLC y HCC.

El CSM se simuló utilizando el método de elementos finitos en COMSOL Multiphysics 5.5. Los principales parámetros para la simulación son la configuración geométrica propuesta, las propiedades del material y las condiciones físicas. La geometría consta de CSM, una celda simulada, como se muestra en la Fig. 2. Cada sensor del CSM 10 × 10 presenta electrodos bipolares duales con un ancho igual a 1 µm, una distancia igual a 1 µm y un área igual a 5 × 5 µm2. Sin embargo, se propone esta dimensión debido a las limitaciones de la tecnología TSMC de 130 nm en el metal 7. Además, proporcionamos CSM sin una capa de pasivación para mejorar la sensibilidad, como lo demuestran experimentos de laboratorio anteriores18,19. La altura, el ancho y el largo del microcanal propuesto son 40 µm, 80 µm y 200 µm, respectivamente. Se utiliza un cilindro con un espesor de 10 μm y diámetros de 20 μm y 50 μm para simular las células biológicas (NLC y HCC)20,21,22,23,24. Como se ilustra en la Fig. 1, el canal de microfluidos propuesto tiene dos entradas y una salida. Una entrada permite la inyección de células biológicas suspendidas en un medio evaluado (solución salina). Otra entrada está destinada a impulsar las células inyectadas para que estén lo más cerca del CSM para aumentar la sensibilidad de la plataforma propuesta. La permitividad relativa del medio (salino) es 78,69, mientras que la permitividad relativa de las partículas biológicas (NLC y HCC) es 53 y 58,5, respectivamente. La permitividad, por otro lado, es necesaria para modelar la matriz de capacitancia de Maxwell.

La geometría del CSM simulado.

Cualquier objeto con contraste dieléctrico cerca del sensor cambiará el acoplamiento capacitivo entre los electrodos. Para determinar la configuración de activación del sensor que maximice la capacitancia detectada, se proponen dos configuraciones: con/sin placa superior de tierra.

La configuración de la simulación se muestra en la Fig. 3, que incluye dos fases: escaneo CSM y manipulación celular. Como se muestra en la Fig. 3a, todos los sensores se activan secuencialmente para generar un cuadro en cada paso del movimiento celular. Esto se logra aplicando el estudio de Barrido de Fuente Estacionaria. El estudio Stationary Source Sweep genera nodos de salida predeterminados para tres variantes de la matriz de capacitancia, lo que da como resultado la matriz de capacitancia inversa de Maxwell. El módulo electrostático se elige para resolver las ecuaciones matriciales de capacitancia. La manipulación de las células biológicas probadas se simula utilizando geometría deformada y el barrido paramétrico utilizando una velocidad de movimiento igual a 20 μm/paso, como se muestra en la Fig. 3b.

Configuración de simulación: (a) escaneo CSM, (b) manipulación celular.

El segundo subsistema del biochip propuesto es el circuito de lectura de píxeles (PRC) que existe para cada sensor capacitivo en el CSM. Cuando se introduce una celda de muestra en los electrodos CSM, comienza a formarse una capa dieléctrica que aumenta la capacitancia de los electrodos18. El objetivo del circuito de lectura es utilizar el cambio capacitivo capturado de los electrodos del CSM para localizar y caracterizar la celda introducida. La ubicación de la celda se identifica calculando el píxel con mayor cambio capacitivo. El valor de capacitancia medido también se utiliza para caracterizar si se trata de una célula hepática normal o de CHC. El diseño del PRC se compone de un oscilador en anillo de tres etapas implementado por tres inversores conectados en serie. Los electrodos CSM están conectados a cada circuito de lectura utilizando dos configuraciones propuestas, la configuración de capacitancia de Miller (MCC) y la configuración de capacitancia conectada a tierra (GCC). La configuración de capacitancia de Miller, MCC, coloca los electrodos en una etapa del inversor, como se muestra en la Fig. 4a. Por el contrario, la configuración de capacitancia conectada a tierra, GCC, coloca ambos electrodos entre dos etapas del inversor, como se muestra en la Fig. 4b. El rendimiento de ambas arquitecturas se evaluará en el apartado de resultados. Para ambas configuraciones, el principio operativo principal del circuito de lectura de píxeles es un mecanismo de transducción de capacitancia a frecuencia. El diseño del oscilador en anillo ofrece varias ventajas, como una alta inmunidad al ruido y un rango de salida dinámico porque es una señal de salida digital con una frecuencia variable25.

(a) Diagrama de circuito de la configuración de capacitancia de Miller (MCC). (b) Diagrama de circuito de la configuración de capacitancia conectada a tierra (GCC).

Esta funcionalidad se logra modulando la frecuencia de salida del oscilador de anillo de tres etapas utilizando el cambio capacitivo de la celda, como se muestra en la Fig. 4a, b.

Suponiendo que las transiciones del inversor sean iguales de alto a bajo y de bajo a alto, la frecuencia de salida, \({\varvec{f}}\), del oscilador de anillo se puede vincular al retardo de cada etapa del inversor usando la siguiente ecuación:

donde \(tp1, \; tp2, \; tp3\) son el retardo de las etapas 1, 2 y 3 del inversor, respectivamente.

La ecuación (3) presenta un análisis de primer orden del retardo de un inversor CMOS, \(tp\), con una capacitancia de carga, \(Cl\), y suponiendo iguales resistencias de encendido de PMOS y NMOS, \(Ron\). 26.

Las ecuaciones (2) y (3) ilustran la relación inversa entre la capacitancia de carga de un inversor y la frecuencia de salida del sensor.

En ambas configuraciones, la capacitancia de carga, \(Cl\), de la primera etapa del inversor se ve afectada por la capacitancia de la celda introducida, \(Ccell\). La sensibilidad del circuito de lectura de píxeles se define como el cambio en la frecuencia de salida debido al cambio de capacitancia introducido por \(Ccell\). La sección de resultados lleva a cabo una comparación de sensibilidad entre MCC y GCC para diferentes valores de capacitancia. En MCC, \(Ccell\) se carga y descarga simultáneamente, lo que efectivamente aumenta la capacitancia de carga y, en consecuencia, disminuye la frecuencia de salida25. Sin embargo, en GCC, \(Ccell\) se carga y descarga periódicamente en instancias separadas y, por lo tanto, se espera que MCC muestre una mayor sensibilidad a los cambios en \(Ccell\) que GCC.

MCC y GCC están diseñados y simulados en Virtuoso Analog Design Environment (ADE): Cadence. Las bibliotecas utilizadas son “tsmc13rf” para los transistores de 130 nm y “analoglib” para el voltaje de suministro de 1 V y la capacitancia ideal utilizada para modelar la celda.

En serie, el oscilador en anillo se compone de tres inversores CMOS idénticos, transistores NMOS y PMOS, y es el mismo para los modelos MCC y GCC. Para lograr una frecuencia base alta en la salida, los inversores están dimensionados con una longitud de canal mínima y un ancho grande; Además, el PMOS ha dimensionado un factor mayor que el NMOS para lograr un ciclo de trabajo cercano al 50%. La longitud y el ancho de PMOS son 130 nm y 8450 nm, respectivamente, mientras que la longitud y el ancho de PMOS son 130 nm y 1300 nm.

Para modelar el efecto de agregar una célula biológica entre los electrodos del biochip, se agrega una capacitancia ideal a los modelos GCC y MCC, como se muestra en las figuras 4a, b.

Para cada modelo, esta capacitancia varía y la frecuencia de salida correspondiente del circuito se calcula utilizando la función de calculadora de frecuencia incorporada en ADE.

En las siguientes secciones, se simula el MCC con variaciones de PVT para validar la capacidad del sensor para distinguir entre células hepáticas normales y HCC; Los variados parámetros y resultados se presentan en la Fig. 7c. Además, se realiza un diagrama de ojo para medir el impacto del ruido del oscilador en términos de SNR y jitter en la frecuencia de salida.

Se utiliza un algoritmo novedoso para representar la lectura de los sensores en diferentes posiciones de una célula biológica y predecir la forma de la célula utilizando MATLAB R2022a. En primer lugar, las lecturas de todos los sensores se representan mediante un gráfico 3D dinámico versus el tiempo (las posiciones de los sensores en el plano XY y la capacitancia medida de cada sensor en la dirección z). En segundo lugar, los fotogramas generados se analizan para predecir la forma de la celda probada en diferentes posiciones. Sin embargo, los procedimientos detallados para representar las lecturas de CSM y predecir la forma de la celda probada se analizan con más detalle en la siguiente sección.

Esta sección presenta los resultados de las simulaciones FEM y Virtuoso ADE del CSM y el PRC. Además, se discuten los resultados del nuevo algoritmo para animar y predecir la forma y ubicación de las células biológicas probadas con el fin de evaluar la capacidad del biochip propuesto para rastrear y caracterizar la célula microbiológica.

Como se ilustra en la Fig. 5, la cámara de microfluidos está destinada a mantener las células probadas a una altura específica para aumentar la sensibilidad de la plataforma propuesta.

(a) Las líneas de corriente de la velocidad del fluido dentro de la cámara de microfluidos debido a la velocidad de entrada de la muestra igual a 50 μm/s y la velocidad de entrada del tampón de 150 μm/s. (b) El rastreo de partículas del arrastre de las células probadas para acercarlas al CSM. (c) El efecto de la velocidad de entrada del tampón sobre la altura de las células probadas por encima de CSM.

El impacto de agregar otra entrada para ajustar la altura de las células probadas inyectadas a través de la entrada principal se muestra en la Fig. 5. La Figura 5c muestra que cuanto mayor es la velocidad de entrada del tampón, más cerca están las células del CSM. En consecuencia, al regular la velocidad de entrada del buffer, podemos mantener las celdas a una altura constante con un pequeño error de 0,1.

Se simulan diferentes configuraciones de CSM para determinar la configuración más efectiva para detectar la capacitancia de la celda, como se muestra en la Fig. 6a. Sin embargo, un algoritmo que utilizó MATLAB logró visualizar las lecturas de CSM, como se muestra en la Fig. 6a. Como se muestra en la Fig. 6a, la altura y el color de cada barra, que representa cada lectura del sensor, cambian al cambiar la ubicación de la celda, donde el verde indica que la celda está lejos, el naranja indica que la celda está cerca y el amarillo significa que la celda está por encima del sensor. Como se indica en la Fig. 6a, hay una mejora significativa en la sensibilidad de los sensores en la celda probada cuando se usa una placa superior de tierra con una tasa de error muy baja (0,8%) y una gran variación de capacitancia (4,14 fF) debido a la presencia de célula biológica (HCC), en comparación con no utilizar una placa superior esmerilada, lo que resulta en una disparidad sustancial entre las lecturas de los sensores (9%). Sin embargo, la gran variación de capacitancia permite una detección sencilla de células biológicas mediante el circuito de lectura. Además, se simulan diferentes condiciones de células biológicas probadas para determinar la sensibilidad de CSM en diferentes condiciones de células biológicas (p. ej., diferentes tipos, tamaños, posiciones en la dirección x, alturas en la dirección z), como se muestra en la Fig. 6b,c. La Figura 6b muestra la capacitancia de NLC y HCC animados en varios lugares en la dirección x.

(a) Una comparación entre la lectura del sensor usando dos configuraciones con/sin una placa superior de tierra en términos de la media de variaciones de capacitancia (capacitancia de HCC suspendido en solución salina—capacitancia de solución salina) (SE: error estándar y EP: porcentaje de error ), (b) Lecturas del sensor E5 ′ de NLC y HCC versus la posición de la celda en la dirección x a una altura de 2,5 µm. (c) Lecturas de CSM a diferentes alturas de NLC y HCC por encima del CSM (Altura (H): 2,5 ± 0,5 µm) en la dirección z.

Como se muestra en la Fig. 6b, es posible identificar el tamaño y el tipo de celda por el ancho y la altura del pulso de la capacitancia medida de un solo sensor (E5). La Figura 6b también muestra que cuanto mayor es el tamaño de la celda probada, mayor es la capacitancia medida por un sensor de CSM. En la dirección vertical del plano CSM, el CSM mide diferentes alturas de la célula biológica sobre uno de los sensores, como se muestra en la Fig. 6c. Se prefiere esta comparación para estudiar el efecto de la distancia en la dirección Z sobre las lecturas. Los resultados indicaron que con una probabilidad de cambios del 20% (2,5 ± 0,5 µm) en la altura de cada celda, todavía hay una diferencia entre las capacitancias medidas de NLC (19,1 ± 0,4) y HCC (20,23 ± 0,6). La Figura 6c también muestra que cuanto mayor es la altura del tamaño de celda probada, menor es la capacitancia medida por un sensor de CSM. Por lo tanto, la celda se mantiene preferiblemente a una cierta altura con respecto al sensor durante la medición para garantizar la máxima sensibilidad. Además, la presencia de la placa de tierra superior tiene la ventaja adicional de reducir el espacio en el que estará presente la celda, lo que mejora la proximidad entre la celda y el sensor.

La Tabla 1 presenta los valores de capacitancia extraídos de aire, solución salina, NLC y HCC del modelo CSM COMSOL Multiphysics. En el caso del aire y la solución salina, el promedio y la desviación estándar se calculan utilizando todos los sensores, pero en el caso de las células, se calcula utilizando sólo los sensores que detectaron la célula, y estos son sensores 2 × 2 para NLC y Sensores 6×6 para HCC.

Estos valores de capacitancia extraídos se utilizarán para probar el circuito de lectura para evaluar su caracterización y rendimiento de detección.

Las frecuencias de salida de MCC y GCC para un solo sensor se comparan para diferentes valores de capacitancia extraídos de COMSOL Multiphysics, como se muestra en la Fig. 7a. La métrica de interés es la pendiente de la frecuencia de salida en función de la capacitancia tal como presenta la sensibilidad del sensor. Los resultados del experimento comparativo indican que el MCC ofrece una mayor sensibilidad a los cambios capacitivos que el GCC; por lo tanto, se selecciona el MCC para todas las simulaciones siguientes. El procedimiento de prueba del MCC es obtener primero una lectura de referencia ingresando la capacitancia de solución salina en la simulación y registrando la frecuencia de salida. El siguiente paso es ingresar la capacitancia del HCC o NLC y registrar la frecuencia de salida después de restar la medición de solución salina o de referencia. La Tabla 2 presenta los resultados de las pruebas del MCC utilizando los valores de capacitancia de solución salina (C = 16,5 fF). Además, en la Fig. 7b se presenta el diagrama de ojo de la frecuencia de salida de solución salina (C = 16,5 fF). La fluctuación (el grosor de la línea en el punto de cruce de 0,5 V), la SNR (altura del ojo), el ciclo de trabajo (esquina del ojo), el período y la frecuencia de salida, denotados por \(Fout\), se calculan y presentan en la Tabla 2. Ecuación . El cuarto muestra cómo se calcula el error de frecuencia debido a la fluctuación, \(Ferror\).

(a) La frecuencia de salida simulada del circuito de lectura de píxeles versus los valores de capacitancia estimados. (b) Análisis del diagrama de ojo de la señal de frecuencia de salida para solución salina (C = 16,5 fF). (c) la desviación máxima positiva y negativa en las mediciones de las variaciones de PVT (voltaje: 1 ± 0,1 V, temperatura: 27 ± 10 °C), y (d) valores de frecuencia normalizados (resta los valores salinos de los valores NLC y HCC) del Estudio PVT de CHC y células hepáticas normales con diámetros de 20, 50 µm que tienen una capacitancia igual a 19,1 ± 0,4 y 20,2 ± 0,6 fF, respectivamente.

La Figura 7c presenta la desviación máxima positiva y negativa en las mediciones de variaciones de PVT (Voltaje: 1 ± 0,1 V, Temperatura: 27 ± 10 °C). Como se muestra en la Fig. 7c, las variaciones de voltaje tienen un efecto mayor en la frecuencia de salida que los cambios de temperatura, pero con la misma pendiente.

La Figura 7d muestra la frecuencia normalizada de NLC y HCC restando la frecuencia de salida de solución salina de la frecuencia de salida de NLC suspendida en solución salina y HCC suspendida en solución salina para reducir el impacto de las variaciones de PVT en el rendimiento de caracterización del sensor. Estos resultados demuestran la capacidad del sensor para caracterizar con precisión células normales y anormales en presencia de variaciones de PVT. Debido a la medición normalizada, se elimina cualquier parásito que pueda surgir del enrutamiento, ya que tendrán compensaciones de frecuencia comunes para las mediciones de solución salina y NLC/HCC.

El error de frecuencia debido a la fluctuación (0,0162 GHz) en la Tabla 2 se puede ignorar porque es menor que la diferencia entre las células hepáticas normales normalizadas y el HCC (0,106 GHz), como se muestra en la Fig. 7d. Además, el consumo de energía es de 459,3 μW y se calculó tomando el promedio de la potencia total extraída del Vdd.

Como se muestra en la Fig. 8a, se desarrolla un algoritmo novedoso que utiliza MATLAB para estimar la forma y ubicación de la celda probada mediante muchos pasos. Primero, la matriz de capacitancia se convierte a una imagen en escala de grises utilizando una función incorporada (mat2gray). Luego, la imagen en escala de grises se convierte en una imagen binaria utilizando un umbral igual a la media de los valores de capacitancia. El contorno de la imagen binaria se determina mediante una función incorporada (bwperim y convhull). El contorno se suaviza utilizando la función incorporada de la curva spline cúbica (cscvn). El centroide del polígono se determina mediante una función incorporada (centroide). El radio se determina buscando el radio (moda) más frecuente a partir de una serie de distancias estimadas utilizando (distancia euclidiana entre cada punto del polígono y el centroide).

(a) Los procedimientos para estimar la forma de la celda, (b) la estimación de la forma de NLC y HCC en diferentes posiciones según las lecturas de CSM de COMSOL Multiphysics.

Un algoritmo novedoso que utilizó MATLAB logró estimar la forma de NLC y HCC utilizando las lecturas de CSM en diferentes posiciones de las celdas, como se muestra en la Fig. 8b. Las lecturas de los sensores en diferentes posiciones de NLC y HCC se analizan para modelar la forma y ubicación de la celda probada. En la Fig. 8b, la forma esperada de la celda y la visualización de la ubicación son casi idénticas al movimiento animado de la celda en cada paso. Sin embargo, la precisión de la estimación del CSM propuesta es del 96,5 % en la estimación del radio y del 98,1 % en la estimación de la ubicación del HCC probado, mientras que del 97 % en el cálculo del radio y del 100 % en la estimación de la ubicación del NLC probado.

La Tabla 3 proporciona una comparación de rendimiento de varios biosensores capacitivos CMOS. Nuestra investigación es la primera que se centra en la predicción de la forma de las células biológicas probadas en conjuntos de biosensores, mientras que otras se ocupan únicamente de lecturas de capacitancia. Además, estamos interesados en investigar y eliminar el impacto de cualquier falla que pueda ocurrir debido a la matriz del sensor o al circuito. Estas fallas incluyen la altura de las células biológicas probadas dentro del canal de microfluidos, la sensibilidad de los sensores a la presencia de células biológicas, la influencia de las variaciones de temperatura y voltaje y el efecto de la capacitancia parásita.

Sin embargo, el impacto de estos errores se ha cancelado mediante lo siguiente: se agrega una placa superior esmerilada para mejorar la sensibilidad de los sensores a la presencia de células biológicas. La cámara de microfluidos está desarrollada para mantener las células biológicas analizadas a una determinada altura. Usando solución salina como referencia, la lectura de capacitancia se normaliza para eliminar el efecto de los errores del circuito de lectura, como capacitancia parásita, cambios de temperatura y cambios de voltaje.

Se presenta y analiza un biochip de base capacitiva para caracterizar y localizar las células biológicas. Se implementa un modelo FEM de una matriz de 10 × 10 sensores capacitivos utilizando COMSOL Multiphysics 5.5. Se simula un circuito de lectura basado en un oscilador en anillo utilizando Virtuoso Analog Design Environment—Cadence. Se prueban diferentes configuraciones para medir la capacitancia de la célula biológica para seleccionar la configuración óptima que maximice la sensibilidad. Los resultados demuestran que la placa de tierra superior con sensores conectados a tierra predeterminados, excepto el sensor activado, es la configuración ideal para el CSM. Se explora y discute el efecto de la distancia entre las celdas probadas y el plano CSM en las lecturas de capacitancia. Los resultados indican que cuanto más cerca están las celdas del sensor, mayor es la capacitancia medida, lo que conduce a una mejor sensibilidad, lo que intuitivamente se espera.

Se modelan y prueban varios tipos y tamaños de células biológicas (por ejemplo, NLC y HCC suspendidas en solución salina) utilizando el CSM propuesto. Los resultados de la capacitancia medida y su frecuencia correlacionada de ambos modelos, CSM y el circuito de lectura demuestran la capacidad de la arquitectura propuesta para diferenciar entre diferentes tipos y tamaños de células biológicas (NLC y HCC). Se desarrolla un algoritmo novedoso utilizando MATLAB R2022a para animar el movimiento de las células simuladas y predecir la forma y ubicación de las células probadas utilizando las capacitancias medidas por CSM. Los resultados indican que el algoritmo desarrollado logró estimar con casi un cien por ciento de precisión la ubicación y el tamaño de NLC y HCC. Además, este monitoreo permite estimar características adicionales como la velocidad y el volumen de las partículas manipuladas sin equipo externo como un microscopio óptico. Finalmente, se desarrolla un biochip completamente integrado para monitorear e identificar células biológicas utilizando una matriz de sensor capacitivo basada en un oscilador de anillo, que tiene numerosas ventajas como eficiencia, tamaño pequeño, bajo costo y elimina la necesidad de etiquetado de muestras y equipos externos. Este trabajo muestra resultados prometedores como prueba de concepto de un biochip adecuado para caracterización e imágenes. El trabajo futuro incluirá el uso de tecnologías más pequeñas para mejorar la sensibilidad y un chip completamente fabricado para probar células biológicas reales.

Los datos que respaldan los hallazgos de este estudio están disponibles del autor correspondiente previa solicitud razonable.

Forouhi, S., Dehghani, R. y Ghafar-Zadeh, E. Sensores capacitivos basados en CMOS para aplicaciones de ciencias biológicas: una revisión. Sens. Actuadores A Phys. 297, 111531 (2019).

Artículo CAS Google Scholar

Kim, J. y col. Biosensores portátiles para el seguimiento de la atención sanitaria. Nat. Biotecnología. 37(4), 389–406 (2019).

Artículo CAS Google Scholar

Lei, KM y cols. Biosensores CMOS para mecanismos y aplicaciones de transducción de diagnóstico in vitro. Chip de laboratorio 16(19), 3664–3681 (2016).

Artículo CAS Google Scholar

Nabovati, G et al. Matriz de sensores capacitivos CMOS para un seguimiento continuo del crecimiento de células adherentes. En 2016 Simposio Internacional IEEE sobre Circuitos y Sistemas (ISCAS). (IEEE, 2016).

Xu, G., Abbott, J. & Ham, D. Optimización de la detección biomolecular basada en CMOS-ISFET: análisis y demostración en la detección de ADN. Traducción IEEE. Dispositivos electrónicos 63, 3249–3256 (2016).

ADS CAS Google Académico

Musayev, J. et al. Captura y detección de células de cáncer de mama MCF-7 con un sensor de imagen CMOS. Sens. Actuadores A Phys. 215, 105-114 (2014).

Artículo CAS Google Scholar

Alhoshany, A., Sivashankar, S., Mashraei, Y., Omran, H. & Salama, KNA Plataforma Biosensor-CMOS y circuito de lectura integrado en tecnología CMOS de 0,18 m para la detección de biomarcadores de cáncer. Sensores 17, 1942 (2017).

ADS del artículo Google Scholar

Dehennis, A., Getzlaff, S., Grice, D. y Mailand, M. Un CI CMOS habilitado para NFC para un sensor de glucosa inalámbrico totalmente implantable. IEEE J. Biomed. Informe de salud. 20, 18-28 (2016).

Artículo de Google Scholar

Massicotte, G., Carrara, S., Di Micheli, G. y Sawan, M. Un sistema amperométrico CMOS para la detección de múltiples neurotransmisores. Traducción IEEE. Biomédica. Sistema de circuitos. 10, 731–741 (2016).

Artículo de Google Scholar

Jeon, GJ y cols. Sensor de huellas dactilares autocapacitivo de matriz activa de alta sensibilidad basado en un transistor de película fina de óxido. Ciencia. Rep. 9(1), 1-10 (2019).

Artículo de Google Scholar

Senevirathna, BP y cols. Mediciones en tiempo real de la proliferación celular utilizando una matriz de sensores de capacitancia CMOS de laboratorio. Traducción IEEE. Biomédica. Sistema de circuitos. 12(3), 510–520 (2018).

Artículo de Google Scholar

Senevirathna, B., Lu, S. y Abshire, P. Caracterización de una matriz de sensores de capacitancia de laboratorio en cmos de alto rango dinámico. En 2017 Simposio Internacional IEEE sobre Circuitos y Sistemas (ISCAS) (IEEE, 2017).

Nabovati, G. y col. Matriz de sensores capacitivos CMOS para un seguimiento continuo del crecimiento de células adherentes. En 2016 Simposio Internacional IEEE sobre Circuitos y Sistemas (ISCAS) (IEEE, 2016).

Couniot, N., Francis, LA y Flandre, D. Una matriz de biosensores capacitivos CMOS de 16 × 16 para la detección de una sola célula bacteriana. Traducción IEEE. Biomédica. Sistema de circuitos. 10(2), 364–374 (2015).

Artículo de Google Scholar

Laborde, C. et al. Imágenes en tiempo real de micropartículas y células vivas con matrices de nanocondensadores CMOS. Nat. Nanotecnología. 10(9), 791–795 (2015).

Artículo ADS CAS Google Scholar

Zhang, Y., Sun, Y. y Wen, Y. Un algoritmo de imágenes de un sensor de capacitancia de matriz plana para la detección de defectos. Medida 168, 108466 (2021).

Artículo de Google Scholar

Di Lorenzo, E. La matriz de capacitancia de Maxwell. http://www.fastfieldsolver.com (2011).

Abdelhamid, H. y col. Un sensor capacitivo para la diferenciación entre células infectadas por virus y no infectadas. Sens. Bio-Sens. Res. 36, 100497 (2022).

Artículo de Google Scholar

Abdelhamid, H. y col. Detección de patógenos transmitidos por alimentos mediante novedosos sensores capacitivos verticales. Alex. Ing. J. 61 (5), 3873–3882 (2022).

Artículo de Google Scholar

Kalinin, AA y cols. Modelado de formas 3D para análisis y clasificación morfológica nuclear celular. Ciencia. Rep. 8(1), 1-14 (2018).

Google Académico

Joines, WT, Zhang, Y., Li, C. & Jirtle, RL midieron las propiedades eléctricas de tejidos humanos normales y malignos de 50 a 900 MHz. Médico Médico. 21(4), 547–550 (1994).

Artículo CAS Google Scholar

Holczbauer, A. y col. Modelado de la patogénesis del cáncer primario de hígado en tipos de células de ratón de linaje específico. Gastroenterología 145(1), 221–231 (2013).

Artículo CAS Google Scholar

Freitas, RA Jr. Nanomedicina, Volumen I: Capacidades Básicas (Landes Bioscience, 1999).

Google Académico

Boughriet, A., Wu, Z., McCann, H. y Davis, LE La medición de las propiedades dieléctricas de líquidos en frecuencias de microondas utilizando sondas coaxiales de extremo abierto.

Andreev, B., Titlebaum, EL & Friedman, EG Dimensionamiento de inversores CMOS con efecto Miller y variaciones de voltaje umbral. J. Sistema de circuitos. Computadora. 15(3), 437–454 (2006).

Artículo de Google Scholar

Rabaey, JM, Chandrakasan, AP y Nikolic, B. Circuitos integrados digitales vol. 2 (Acantilados de Englewood, 2002).

Google Académico

Descargar referencias

Esta investigación fue financiada parcialmente por Zewail City of Science and Technology, AUC, STDF, Intel, Mentor Graphics, ITIDA, SRC, ASRT y MCIT.

Financiamiento de acceso abierto proporcionado por la Autoridad de Financiamiento de Ciencia, Tecnología e Innovación (STDF) en cooperación con el Banco Egipcio de Conocimiento (EKB).

Departamento de Ingeniería Biomédica, Facultad de Ingeniería, Universidad de Helwan, El Cairo, Egipto

Reda Abdelbaset y Yehya H. Ghallab

Centro de Nanoelectrónica y Dispositivos (CND), Universidad Americana de El Cairo (AUC) y Ciudad de Ciencia y Tecnología Zewail, El Cairo, Egipto

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

También puedes buscar este autor en PubMed Google Scholar.

RA, YE: metodología, software, análisis formal, redacción: borrador original. OEM: metodología, software. YHG: metodología, análisis formal. YI: visualización, supervisión.

Correspondence to Reda Abdelbaset.

Los autores declaran no tener conflictos de intereses.

Springer Nature se mantiene neutral con respecto a reclamos jurisdiccionales en mapas publicados y afiliaciones institucionales.

Acceso Abierto Este artículo está bajo una Licencia Internacional Creative Commons Attribution 4.0, que permite el uso, compartir, adaptación, distribución y reproducción en cualquier medio o formato, siempre y cuando se dé el crédito apropiado al autor(es) original(es) y a la fuente. proporcione un enlace a la licencia Creative Commons e indique si se realizaron cambios. Las imágenes u otro material de terceros en este artículo están incluidos en la licencia Creative Commons del artículo, a menos que se indique lo contrario en una línea de crédito al material. Si el material no está incluido en la licencia Creative Commons del artículo y su uso previsto no está permitido por la normativa legal o excede el uso permitido, deberá obtener permiso directamente del titular de los derechos de autor. Para ver una copia de esta licencia, visite http://creativecommons.org/licenses/by/4.0/.

Reimpresiones y permisos

Abdelbaset, R., El-Sehrawy, Y., Morsy, OE et al. Matriz de sensores capacitivos basados en CMOS para caracterizar y rastrear células biológicas. Informe científico 12, 13839 (2022). https://doi.org/10.1038/s41598-022-18005-1

Descargar cita

Recibido: 06 de mayo de 2022

Aceptado: 03 de agosto de 2022

Publicado: 16 de agosto de 2022

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

Cualquier persona con la que compartas el siguiente enlace podrá leer este contenido:

Lo sentimos, actualmente no hay un enlace para compartir disponible para este artículo.

Proporcionado por la iniciativa de intercambio de contenidos Springer Nature SharedIt

Al enviar un comentario, acepta cumplir con nuestros Términos y pautas de la comunidad. Si encuentra algo abusivo o que no cumple con nuestros términos o pautas, márquelo como inapropiado.