在机器学习支持的in silico检测来自受污染的土壤中的多环芳
Yilong Ju1, Oara Neumann2,3, Sara B Denison4
1Department of Computer Science, Rice University, Houston, TX 77005.
概括
这项研究引入了一种新方法,使用表面增强的拉曼光谱和在中DFT计算的光谱来检测土壤中具有挑战性的多环芳 (PAHs). 这种方法可以准确地识别污染物,而不需要实验频谱.
科学领域:
- 环境化学环境化学
- 分析化学 分析化学
- 频谱学是一种光谱学.
背景情况:
- 在土壤中检测多环芳 (PAH) 和其衍生物是困难的,因为土壤有机物质复杂.
- 传统的PAH识别方法面临诸如光谱干扰和参考化合物的不可用性等局限性.
研究的目的:
- 开发一种创新的分析方法,用于检测和识别受污染的土壤中的PAH及其修饰衍生物.
- 为了克服传统的实验光谱库的局限性.
主要方法:
- 结合了表面增强的拉曼光谱 (SERS) 与使用密度函数理论 (DFT) 生成的in silico拉曼光谱库.
- 采用了两阶段的基于物理的机器学习管道:特征峰值提取 (CaPE) 和特征峰值相似性 (CaPSim).
主要成果:
- 在多个PAH的DFT计算和实验SERS光谱之间取得了强烈的相似性 (>0.6).
- 证明了开发的方法论的准确性和区分能力.
- 验证了使用DFT计算的光谱来识别缺乏实验参考的分析物.
结论:
- 确定了DFT计算的光谱的可行性,作为环境样本中PAH识别的可靠参考.
- 为环境监测和评估PAH污染对公众健康的风险提供了一个强大的工具.
- 解决了识别环境修饰PAHs的关键缺口.
