机器学习辅助多色平台用于环境水样中的多重检测抗生素

科学领域:

• 分析化学 分析化学
• 纳米技术 纳米技术
• 环境科学 环境科学

背景情况:

• 抗生素 (AB) 耐药性是一个主要的全球健康威胁,由AB过度使用和食品和水资源污染加剧.
• 为保护人类健康和环境,开发快速,视觉和多重检测方法对ABs至关重要.
• 现有的检测方法往往缺乏对各种ABs实时监测所需的灵敏度,特异性或速度.

研究的目的:

• 设计和开发一种色度传感器阵列,用于识别和量化多种抗生素 (AB).
• 为了利用金纳米粒子 (AuNPs) 和机器学习算法进行敏感和选择性的AB检测.
• 评估传感器阵列在现实世界样本中的实际适用性,包括环境水.

主要方法:

• 使用两种类型的金纳米粒子 (AuNPs) 制造色度传感器阵列.
• 在不同缓冲条件下在不同抗生素的存在下利用AuNP聚合行为.
• 机器学习算法的应用,包括线性差异分析 (LDA) 用于分类和部分最小平方回归 (PLSR) 用于量化.

主要成果:

• 传感器阵列成功地区分了单个抗生素及其混合物,基于不同的色度反应.
• 获得了高灵敏度,可检测限值 (LODs) 低至0.01μg/mL的克林达米辛.
• 开发的方法证明了复杂矩阵中的多种抗生素的准确量化和识别,包括河流和地下水样本.

结论:

• 开发的基于金纳米粒子的色度传感器阵列为视觉,多重检测抗生素提供了一个有前途的平台.
• 机器学习算法的集成增强了抗生素残留物的分类和量化能力.
• 这种方法对环境监测和确保水资源免受抗生素污染的安全具有重大潜力.