机器学习辅助的多通道纳米酶传感器阵列用于多种农药跟踪,追踪和代谢分析

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:

• 检测农药残留物和代谢分析对于食品安全和环境监测至关重要.
• 现有的方法往往缺乏全面分析所需的灵敏度,特异性或效率.

研究的目的:

• 开发一种机器学习辅助的多通道纳米酶传感器阵列,用于精确检测农药残留物和代谢分析.
• 为了使多种农药及其代谢物的同时识别和可追溯性.

主要方法:

• 使用五种Cu-carboxylate纳米酶进行10通道传感器阵列的制造,具有类似于laccase和类似于peroxidase的活动.
• 应用贝叶斯优化随机森林 (BO-RF) 分类模型进行数据分析.
• 在真实世界样本中验证传感器阵列和模型,如菜,湖水和土壤.

主要成果:

• 传感器阵列对四种农药 (尼索硫,2,4-二基酸,pyrifos,cypermethrin) 和它们的代谢物产生了明显的反应.
• 使用BO-RF模型,同时识别农药和代谢物的准确性高 (>97%).
• 该系统表现出卓越的追溯能力,不受度或代谢变化的影响,并准确地预测了代谢阶段.

结论:

• 拟议的机器学习辅助纳米酶传感器阵列为农药跟踪和代谢分析提供了简单,高效和智能化的方法.
• 这项技术具有改善食品安全和环境监测的巨大潜力.
• 该研究验证了在各种矩阵中的实际适用性,突出了其实际价值.