机器学习驱动的多发射光阵列,用于同时对金纳米粒子进行尺寸歧视和量化
Shuqi Li1, Jing Mao1, Chunhui Wu1
1College of Chemistry and Material Science, Sichuan Normal University, Chengdu, Sichuan 610068, China.
Analytical chemistry
|June 16, 2025
概括
一个新的光传感阵列与机器学习可以同时确定金纳米粒子的大小和度. 这种方法为环境监测提供了快速,高效和准确的纳米材料表征.
科学领域:
- 纳米技术 纳米技术
- 环境科学 环境科学
- 分析化学 分析化学
背景情况:
- 黄金纳米颗粒 (AuNPs) 具有以大小为依赖的环境行为和生物积累风险.
- 准确地描述AuNP的尺寸和度对于毒性评估至关重要.
- 当前的分析方法往往耗时,昂贵,缺乏多维分析能力.
研究的目的:
- 开发一种新型的多发射光传感阵列,用于同时对AuNP进行尺寸歧视和量化.
- 整合量子点和机器学习以进行增强的纳米材料分析.
- 为现有分析平台提供快速有效的替代方案.
主要方法:
- 使用BSA-Eu:ZnS QDs.开发一个光传感阵列.
- 使用三重排放通道 (450/592/616 nm) 和内部波器效应来检测AuNP.
- 应用机器学习算法 (ExtraTrees,LDA) 进行尺寸歧视和量化进行比度分析.
主要成果:
- 同时实现了AuNPs的大小歧视和量化.
- 对于AuNP度达到0.022nM的检测极限.
- 使用光谱指纹和机器学习,证明了5-100nm AuNP的100%分类准确性.
- 经过验证的方法与尖的环境水,显示90%-104%的回收率.
结论:
- 开发的传感策略使得能够快速有效地表征金纳米颗粒.
- 提供了多维数据采集的潜力,并提高了环境监测中的分析效率.
- 为评估复杂矩阵中的AuNP大小和度提供了强大而准确的方法.
