在真实食品样本中通过机器学习介导的超敏感检测氨酸和相关的真菌毒素,从光发光碳点条码数组中辨认出来
Maansi Aggarwal1, Pranab Sahoo2, Sriparna Saha2
1Department of Chemistry, Indian Institute of Technology Patna, Patna 801103, Bihar, India.
Journal of agricultural and food chemistry
|August 16, 2023
概括
这项研究引入了一种新的AI驱动的方法,用于使用碳点和机器学习检测食物传播的真菌毒素. 该系统达到100%的准确性,为食品安全提供了具有成本效益和自动化的解决方案.
科学领域:
- 分析化学 分析化学
- 食品科学 食品科学 食品科学
- 人工智能的人工智能
背景情况:
- 经济和自动检测食品传播污染物对公共卫生至关重要.
- 现有的真菌毒素检测方法往往缺乏灵敏度,成本效益或自动化.
研究的目的:
- 使用碳点和机器学习开发一种超敏感,自动化和经济高效的方法来检测食物中的真菌毒素.
- 将化学检测策略与人工智能相结合,用于对食品传播污染物的遥感.
主要方法:
- 使用阿利沙林红色S (ARS) 和囊胺衍生的碳点 (CDs) 来检测真菌毒素.
- 开发了一个基于光发光的条形码系统,使用CD阵列响应.
- 采用机器学习算法,特别是极端梯度提升 (XGBoost),用于数据分析和自动化.
主要成果:
- 在检测低至10 pmol的度下,在检测氨酸,亚黄素B1和亚黄素A方面取得了100%的准确性.
- 证明了同时检测多种真菌毒素的共存的能力.
- 在各种食品矩阵上验证了该方法,包括小麦,大米,格拉姆,玉米,咖啡和牛奶.
结论:
- 开发的基于碳点的阵列与XGBoost相结合,为真菌毒素检测提供了一个高度准确和自动化的平台.
- 这种协同方法为智能遥感食品传播污染物的有希望的解决方案.
- 该方法对加强食品安全和质量控制具有广泛的影响.
相关概念视频
01:17Microbial Biosensors
Microbial biosensors are analytical devices that utilize living microbes to detect specific substances through measurable signals. These devices consist of two main components: biosensing organisms and signal-transducing elements. Biosensing organisms, such as Escherichia coli or Saccharomyces cerevisiae, are typically housed in multiwell plates connected to transducers, enabling rapid, real-time detection of target analytes.Signal Generation MechanismWhen a target analyte—such as...
01:25Rapid Identification of Pathogens
MALDI-TOF MS has transformed clinical microbiology by offering a rapid and reliable method for pathogen identification. The traditional approach to microbial identification typically involves time-consuming culture techniques and biochemical tests, which can delay the initiation of appropriate antimicrobial therapy. MALDI-TOF MS avoids these delays by using characteristic ribosomal protein mass patterns of microbial cells, enabling accurate species-level identification within minutes.Principle...