机器学习驱动的双重识别磁性打印聚合物:主机-客户端/Aptamer协同作用使得超敏感的甲检测成为可能
Jiaming Zhang1, Yanxia Ma1, Jinbo Cao1
1Department Guangzhou Key Laboratory of Analytical Chemistry for Biomedicine, GDMPA Key Laboratory for Process Control and Quality Evaluation of Chiral Pharmaceuticals, School of Chemistry, South China Normal University, Guangzhou 510006, Guangdong, China.
Analytical chemistry
|August 19, 2025
概括
这项研究引入了一种新的磁性固相微提取技术,与HPLC系统相结合,用于检测食品中的氨基醇. 机器学习优化了这一过程,提高了检测准确性和食品安全效率.
科学领域:
- 分析化学 分析化学
- 纳米技术纳米技术
- 生物技术是生物技术.
背景情况:
- 在复杂的食品矩阵中检测氨基醇 (CAP) 存在重大分析挑战.
- 现有的方法往往缺乏对现实世界食品样本的敏感性,特异性或效率.
研究的目的:
- 开发一种先进的分析系统,用于对食品的敏感和准确的CAP检测.
- 整合机器学习和分子识别,以优化提取和检测过程.
主要方法:
- 使用磁性纳米颗粒,碳氧化柱体[5]arene,和aptamers进行双分子识别的纳米复合材料 (AC-MSF) 的制造.
- 应用贝叶斯优化和六种机器学习模型 (XGBoost,SVM) 来优化聚合和提取参数.
- 使用SHAP分析来识别关键参数和动力模拟来阐明识别机制.
主要成果:
- 使用ML的优化条件使交叉连接器的使用减少了22.2%,聚合时间减少了57%.
- 在CAP,pillararene和aptamer之间展示了协同作用的双重识别机制.
- 在蜂蜜,牛奶和蛋样本中达到0.69μg/L的低检测极限,并获得高回收率 (85.0%-96.2%).
结论:
- 开发的Apt-MIP-CP[5]A@SiO2@Fe3O4 (AC-MSF) 系统为食品中CAP检测提供了一种高效和敏感的方法.
- 机器学习集成显著改善了分析方法的优化,减少了资源消耗.
- 协同的双重识别策略为检测复杂矩阵中的小分子提供了一个强大的平台.
