超敏感的SERS通过二衍生反应和深度学习对抗氧化剂的定量检测,以缓解信号波动

科学领域:

• 分析化学 分析化学
• 食品科学 食品科学 食品科学
• 频谱学是一种光谱学.

背景情况:

• 合成抗氧化剂保护食用油,但需要仔细评估健康风险.
• 抗氧化剂的直接表面增强拉曼散射 (SERS) 检测受到由于基基组的弱信号的阻碍.

研究的目的:

• 开发一种增强的SERS方法,用于敏感和快速检测食用油中的合成抗氧化剂.
• 克服直接SERS检测化合物的局限性.

主要方法:

• 采用二氧化衍生来将抗氧化剂转化为基衍生物,通过N=N键放大拉曼信号.
• 使用界面自组装黄金纳米粒子作为SERS基材.
• 集成了一个卷积神经网络 (CNN) 模型用于定量分析.

主要成果:

• 通过使用增强的SERS方法成功检测到酸化 (BHA),三甲化 (TBHQ) 和酸 (PG).
• 在1 × 10−6到2 × 10−3mol/L的度范围内实现了快速预测,具有高线性 (R2 > 0.999).
• 在真实大豆油样本中表现出良好的回收率 (73.0%126.4%).

结论:

• 通过透衍生增强的SERS方法为食用油中合成抗氧化剂的确定提供了方便和快速的分析方法.
• 这种方法消除了对复杂基质的需求,并为食品工业的质量控制提供了有价值的工具.
• 集成的CNN模型增强了超越传统方法的预测准确性.