分子丰富与软投票集成,以有效检测多种药物的SERS检测

科学领域:

• 分析化学 分析化学
• 频谱学是一种光谱学.
• 材料科学 材料科学 材料科学

背景情况:

• 表面增强拉曼光谱 (SERS) 提供了快速的液相药物识别,但在分子丰富和光谱解释方面面临挑战.
• 手动分析SERS数据是耗时和劳动密集型的,需要先进的策略来有效检测药物.

研究的目的:

• 开发一种有效的分子丰富策略,用于基于SERS的药物检测.
• 通过机器学习模型提高药物识别的准确性和效率.
• 为了解决复杂样本矩阵的当前SERS应用程序的局限性.

主要方法:

• 设计和合成一种新的金纳米颗粒-银化物 (AuNPs@AgCl) 基质.
• 使用Cl-和Ag+离子反应来创建AuNPs@AgCl纳米结构,以增强SERS.
• 开发一个软投票分类器,集成随机森林 (RF),额外树木 (ET),XGBoost和支持矢量机 (SVM) 模型.

主要成果:

• AuNPs@AgCl基板显示了水晶紫色 (4 × 10−11 M),吗啡 (0.2 ppm),甲基胺 (12.5 ppm) 和甲 (10 ppm) 的超低检测极限.
• 在湖水 (50ppb),人工唾液 (0.8ppm) 和人工血液 (0.6ppm) 等复杂矩阵中实现了甲的量化.
• 软投票分类器在分类单元和二元药物混合物方面实现了90.7%的平均准确性,明显超过单个算法.

结论:

• 理性设计的AuNPs@AgCl基板增强了热点的分析物捕获,并提高了SERS的稳定性.
• 软投票分类器有效地提高了药物混合物的分类准确性,提供了一个平衡的方法.
• 这种先进基质设计和机器学习的协同作用组合显示出实际药物检测应用的巨大潜力.