機械学習支援SERSで,アルギナートナトリウム/シルバーヒドロゲル基板を用いたセレニウム種の検出

科学分野:

• 環境科学 環境科学
• アナリティカル・ケミストリー (Analytical Chemistry) とは
• 材料科学 材料科学とは

背景:

• セレニウム (Se) は,栄養需要と毒性との間の狭い窓を持つ重要な微量元素です.
• 環境マトリックスにおけるセレニウム特異性の正確かつ迅速な検出は,リスク評価に不可欠です.
• セレニウム特異化のための既存の方法は,時間がかかり,移植性が欠如することがあります.

研究 の 目的:

• セレニウム特異性の素早い定性および定量的分析のための,携帯可能で安定した,非常に敏感なセンシングプラットフォームを開発する.
• 表面強化ラーマン散布 (SERS) のためのナトリウムアルギナート/銀ナノ粒子 (SA/Ag NP) のヒドロゲル基板を合成し,特徴づけること.
• リアルサンプルのセレニウム種を特定し,定量化するための機械学習アルゴリズムのパフォーマンスを評価する.

主な方法:

• CA2+イオンクロスリンクによるSA/AgNPヒドロゲル基板の合成.
• 均一性,再現性,安定性,強化因子 (EF) を含む,ヒドロゲル特性の特徴付け.
• 機械学習モデル (PLS-DA,PCA-DA,KNN,SVM,PLSR,SVR) を用いて,SERSを適用してSe(IV) とSe(VI) を検出し,その後の分析を行う.

主要な成果:

• SA/Ag NPsのヒドロゲル基板は,優れた均一性,再現性,および安定性を実証し,EFは10⁹でした.
• Se(IV) (3.35 μg/L) と Se(VI) (3.37 μg/L) の検出限界値が低かった.
• サポートベクトルマシン (SVM) モデルは,分類のために90.0%の精度を示し,サポートベクトル回帰 (SVR) モデルは,定量化のためにR^{2>0.8958を達成しました.}

結論:

• セレニウム特異分析のために,水凝土SERS基板と機械学習アルゴリズムを統合した信頼できるフレームワークが確立されました.
• 開発されたセンサープラットフォームは,複雑な環境サンプルにおけるセレニウムを現地で迅速かつ正確にモニタリングするための有望なソリューションを提供します.
• この研究は,環境微量元素分析のための化学測定と組み合わせたSERSベースのヒドロゲル基板の潜在能力を強調しています.