机器学习驱动的光传感器阵列用于在复杂环境中快速检测重金属和农药

科学领域:

• 环境化学环境化学
• 分析化学 分析化学
• 纳米技术纳米技术

背景情况:

• 重金属化物和农药的共同污染对环境和公共卫生构成重大风险.
• 现有的检测方法往往缺乏复杂矩阵所需的速度和灵敏度.
• 先进的分析平台对于有效监测多种污染物至关重要.

研究的目的:

• 开发一种机器学习驱动的化学传感器阵列,用于同时检测多种重金属和农药.
• 使用铜纳米集群 (CuNCs) 和光指纹用于污染物识别.
• 在现实环境和生物样本中验证传感器阵列的性能.

主要方法:

• 使用三个不同的铜纳米集群 (CuNCs) 制造传感器阵列,具有特定的基于联体的结合亲和力.
• 为每个目标分析物生成独特的光"指纹".
• 机器学习算法的应用 (线性差异分析 - LDA,层次组件分析 - HCA) 用于数据分析和分类.
• 使用各种现实世界样本 (血液,尿液,土壤,自来水,蔬菜,水果) 进行验证.

主要成果:

• 在10分钟内,为9种重金属和5种农药实现了100%的识别准确性.
• 显示出异常灵敏度,重金属的检测极限约为0.5nM,农药的检测极限为7.1ppb.
• 在复杂矩阵中验证了高选择性,抗干扰能力和实际适用性.

结论:

• 开发的纳米传感器阵列为多目标污染物检测提供了强大,快速和灵敏的平台.
• 这项技术在食品安全,环境监测和公共卫生监测等领域具有变革性的应用潜力.
• 机器学习与基于纳米集群的光相结合,为复杂的化学传感提供了有效的策略.