通过人工智能增强的快速SERS查,在源路径-下水池生态系统中检测可追踪的诺抗生素
Jing Xu1, Si-Heng Luo2,3, Chen-Ru Xiong1
1State Key Laboratory of Marine Environmental Science, Fujian Provincial Key Laboratory for Coastal Ecology and Environmental Studies, Center for Marine Environmental Chemistry & Toxicology, College of the Environment and Ecology, Xiamen University, Xiamen 361102, China.
Analytical chemistry
|November 20, 2025
概括
过度使用类抗生素威胁全球健康. 一种新方法将样本预处理与基于深度学习的SERS结合起来,在各种样本中快速检测19种类抗生素,从而能够有效监测抗生素污染.
科学领域:
- 环境科学 环境科学
- 分析化学 分析化学
- 生物技术是生物技术.
背景情况:
- 昆类抗生素在畜牧业和医学中广泛使用,导致环境污染.
- 农业和医疗保健设施的废水排放将诺引入生态系统.
- 准确和快速的检测方法对于评估环境和人类暴露风险至关重要.
研究的目的:
- 开发一种快速,灵敏和智能方法,用于在多种矩阵中检测多种类抗生素.
- 将先进的样本准备技术与基于深度学习的光谱脱杂算法相结合,以进行增强的分析.
- 为监测不同环境组件的抗生素污染提供综合解决方案.
主要方法:
- 开发一个多步骤的样本预处理策略:固体相提取 (SPE),液体-液体提取 (LLE),盐化辅助液体-液体提取 (SALLE) 和纳米颗粒净化 (NPs (p)).
- 预处理方法与表面增强拉曼光谱 (SERS) 的结合.
- 基于深度学习的光谱分离网络 (SSNet) 算法的应用,用于诺的光谱分离和识别.
主要成果:
- 综合的SPE-LLE-SALLE-NPs (p) -SSNet-SERS方法实现了快速分析 (每样本不到8分钟).
- 该方法证明了对19种类抗生素的高灵敏度 (检测极限在μg L-1范围内).
- 在食品,生物和环境样本 (包括复杂混合物) 中成功检测出类素的质量和数量.
结论:
- 开发的SPE-LLE-SALLE-NPs (p) -SSNet-SERS方法为快速地在现场检测类抗生素提供了一个非常有前途的策略.
- 这种综合方法为对抗生素污染的定性和定量查提供了可靠的解决方案.
- 该系统能够在"源路径-沉"范式下实现抗生素污染的跨媒体,全过程和大数据增强的监测框架.
