参考文献：https://www.webofscience.com/wos/alldb/full-record/WOS:001431593100001
1. 微流体DLD细胞分选通道的设计要素
1) 通道几何结构设计
在Microfluidic Chip设计中，通道宽度、高度和长度的选择直接影响颗粒分离效果——宽通道提升通量，窄通道增强侧向位移，增加高度能扩大临界直径但需平衡长度以避免流速过低。
微柱的尺寸、间距及形状（如三角形减小临界直径、矩形适合大颗粒、圆角减少堵塞）共同调控侧向力大小和流线分布，而错位布局比线性排列更能均匀分散流体。
通道曲率通过改变流场可增强小颗粒位移，但过度弯曲会引发流动不稳定。
综合来看，优化这些参数需在分离精度、通量及抗堵塞性之间取得平衡，例如梯形微柱适合小颗粒分选，圆形微柱利于处理变形细胞，实际设计中需结合目标颗粒特性选择几何构型与排列方式。
2) 流体动力学设计
在微流控分离系统中，流体速度和粘度是影响颗粒行为的关键参数。
流速过高会抑制颗粒的侧向位移，降低分离效率，而流速过低虽能提高分离精度但可能影响通量，因此需要优化流速范围。
剪切力随流速增大而增强，可能导致细胞损伤，尤其在处理柔性细胞（如红细胞或癌细胞）时需控制流速以减小剪切效应。
当雷诺数（Re）超过1时，惯性升力会干扰颗粒轨迹，需在高通量条件下平衡惯性效应。
液体粘度通过改变流体阻力调节颗粒运动，高粘度流体可增强侧向位移但可能引发流动不稳定，而低粘度流体虽流动顺畅但分离效率受限。
维持层流状态对稳定分离至关重要，需合理选择粘度和流速以避免湍流。
因此，设计微流控系统时必须综合考虑流速、剪切力、粘度和流态的影响，以实现高效、稳定的颗粒分离。
3) 细胞与通道的相互作用
细胞的刚性、形态和表面特性显著影响其在DLD通道中的运动行为。
刚性球形颗粒通常遵循确定的偏转路径，而软细胞则可能因变形能力改变有效尺寸，甚至受流体粘度影响呈现不同的迁移模式（如正向、负向或中性之字形运动）。
非球形细胞（如扁平或变形细胞）的取向变化可能导致流线偏移或通道堵塞，而表面电荷或疏水性等特性会进一步干扰细胞-流体相互作用。
刚性细胞在狭窄通道中更易受阻，而可变形细胞的行为更复杂，可能因布朗运动（小颗粒）或碰撞扩散（大颗粒）偏离预期路径。
因此，设计DLD系统时需综合考虑细胞力学特性、形状及表面化学性质，以优化分选效率并减少堵塞风险。
2. 微流控DLD技术应用
1) 生物医学研究
a) 癌症
微流控DLD技术因其高效、低损伤的特点，在循环肿瘤细胞（CTCs）分离中展现出独特优势。
研究人员通过多种创新设计提升分离性能：刘等开发的多标记芯片结合DLD阵列与DNA纳米结构，可高效捕获不同表型CTCs；Varmazyari等将级联DLD与介电泳结合，使同尺寸细胞分离效率达93%；Lee团队整合指驱动执行器与DLD系统，实现一分钟内88%回收率。
螺旋-DLD集成装置可从腹水中快速分离胃癌细胞，而菱形微柱阵列（MPA-Chip）在保持高细胞活性下实现85%捕获效率。
四通道并联DLD系统每分钟可处理2.5mL样本，回收率超96%。优化策略如锥形通道设计使纯度提升1.8倍，边界校正技术使CTC分离效率突破93%。这些进展表明，通过多技术融合（如惯性聚焦、介电泳）和流体动力学优化，DLD技术正推动癌症检测向高精度、高通量方向发展，为临床实时监测和个性化治疗提供新工具。
b) 血液分析
血液作为包含红细胞、白细胞、血小板及病变细胞的复杂体液，其精准分离对疾病诊断至关重要。
微流控DLD技术在该领域取得重要突破：受鱼鳃启发的芯片可高效分选血细胞，而级联DLD与介电泳联用能特异性提取循环肿瘤细胞。
聚丙烯基DLD装置虽在牛血中成功分离淋巴细胞和中性粒细胞，但因人红细胞与淋巴细胞尺寸相近面临挑战。
吕团队开发的I型支柱芯片通过流场调控实现了不同变形性红细胞的轨迹控制，而新型无鞘技术以单步操作获得100%白细胞分离效率。
当前技术虽在回收率（最高76%）和纯度（80%）方面表现良好，但细胞形态差异仍制约分离精度。
这些进展为肿瘤监测、免疫评估及血液病诊疗提供了新工具，未来需通过微柱结构优化和流场调控进一步提升性能。
c) 单细胞与干细胞
微流控DLD技术正成为生物医学研究的革命性工具，特别是在干细胞分离和疾病诊断领域展现出独特优势。
该技术通过精确的流体控制实现了细胞的高效分选：在脂肪干细胞（ADSCs）富集方面，级联分选器使细胞增殖能力提升6倍；多芯片DLD系统相较传统离心法将间充质干细胞（MSCs）回收率提高2倍。
赵团队开发的Dean流-DLD集成芯片不仅能快速检测腹水中的游离肿瘤细胞，还可进行单细胞分析，显著提升了腹膜转移诊断的灵敏度。
这些突破性进展不仅为干细胞治疗和再生医学提供了高质量细胞来源，更在个性化医疗和癌症早诊中开辟了新途径，标志着从基础研究到临床应用的重大跨越。
2) 与机器学习的集成
当前研究已证实，卷积神经网络（CNN）能大幅提升数据处理效率——在COVID-19细胞因子监测中，CNN将分析时间缩短6000倍；Gioe团队开发的颗粒检测算法实现97.86%准确率，单次分析仅需25秒。
但该交叉领域仍面临关键挑战：一方面，传统算法如SVM在小样本线性数据中表现优异，而CNN虽擅长自动特征提取却依赖大数据量；另一方面，硬件集成要求苛刻（如高速CMOS摄像头搭配FPGA图像重建），且微流控系统的稳定性和可重复性亟待优化。
ZH_CN 
EN