机器学习增强的纳米酶传感器阵列用于准确的多重诺抗生素识别
Qihao Shi1, Ziyuan Li1, Yu Wang1
1Key Laboratory of Industrial Fermentation Microbiology, Ministry of Education, Tianjin Key Laboratory of Industrial Microbiology, College of Biotechnology, Tianjin University of Science and Technology, No. 29 of 13th Street, TEDA, Tianjin 300457, P. R. China.
Analytical chemistry
|August 10, 2025
概括
一个新的纳米酶传感器阵列利用铜二硫酸盐 (Cu2(OH) 2SO4) 纳米薄膜有效检测类抗生素 (QN). 该方法使用不同的反应动态和机器学习来实现高精度,度独立的识别.
科学领域:
- 环境科学 环境科学
- 分析化学 分析化学
- 材料科学 材料科学 材料科学
背景情况:
- 过度使用金诺隆抗生素 (QN) 对人类健康和生态系统构成重大风险.
- 开发用于QN检测的敏感和选择性方法对于环境监测和公共卫生至关重要.
研究的目的:
- 开发一种基于纳米酶的传感器阵列,用于识别八种不同的类抗生素 (QN).
- 为了利用QN与铜二硫酸盐 (Cu2(OH) 2 (SO4) 的显著相互作用,纳米薄膜具有类似过氧化酶 (POD) 和类似乳酶 (LAC) 的传感活动.
- 使用机器学习 (ML) 和自校准传感器阵列来提高检测准确度.
主要方法:
- 铜二硫酸盐 (Cu2(OH)2SO4) 纳米薄膜在基本的深溶解剂 (DES) 中的合成.
- 利用QN对时间上的Cu2(OH)2SO4 POD (增强) 和LAC (抑制) 活动的差异性影响.
- 开发一种具有自我校准能力和使用机器学习算法进行优化的纳米酶传感阵列.
主要成果:
- Cu2(OH)2SO4纳米薄表现出由QNs影响的可调节POD和LAC活动.
- 一个纳米酶传感阵列展示了独特的反应动态来识别八个QN.
- 机器学习优化显著提高了度独立识别模型的精度,从39.08%提高到91.95%.
结论:
- 开发的纳米酶传感阵列为复杂样品中QN的敏感和选择性检测提供了一个有希望的方法.
- 反应动态,自我校准和机器学习的结合为抗生素残留分析提供了一个强大的平台.
- 这项研究强调了工程纳米酶在环境监测和保护公众健康免受抗生素污染方面的潜力.
更多相关视频
09:04Foodborne Pathogen Screening Using Magneto-fluorescent Nanosensor: Rapid Detection of E. Coli O157:H7
Published on: September 17, 2017
7.8K
07:16Author Spotlight: Advancements in DNA Nanosensors – Addressing Sensitivity and Selectivity Challenges in Molecular Detection
Published on: February 9, 2024
1.1K
