机器学习辅助的SERS检测在食用真菌中使用磁性纳米传感器检测类杀虫剂

科学领域:

• 分析化学 分析化学
• 材料科学 材料科学 材料科学
• 食品科学 食品科学 食品科学

背景情况:

• 类杀虫剂残留物是一个全球公共卫生问题,特别是在复杂的食物矩阵中,如食用真菌.
• 检测结构相似的杀虫剂的微量存在挑战现有方法.

研究的目的:

• 开发一种新的,高度敏感和选择性的平台,用于检测和区分甲状腺杀虫剂残留物.
• 解决目前用于食品中农药监测的分析技术的局限性.

主要方法:

• 制造Fe3O4@COF@Ag纳米复合材料基板用于磁性丰富和表面增强拉曼光谱 (SERS).
• 集成共价有机框架 (COFs) 用于特定的分子捕获和SERS热点的银增强.
• 机器学习 (ML) 算法的应用,包括主要组件分析 (PCA) 和支持矢量机器 (SVM),用于智能识别和分类.

主要成果:

• 达到了deltamethrin (5.21微克/公斤),fenvalerate (6.08微克/公斤) 和lambda-cyhalothrin (11.6微克/公斤) 的低检测极限.
• 在真实食品样本中表现出极好的线性 (R2>0.99) 和高回收率 (94.36-106.89%).
• 在使用ML模型区分结构上相似的类固体时,获得了100%的分类准确性.

结论:

• 开发的Fe3O4@COF@Ag SERS平台提供了一个快速,灵敏和现场部署的解决方案,用于甲状腺农药监测.
• 这种综合方法通过准确检测和识别农药残留物来显著提高食品安全.
• 该研究强调了将先进的纳米材料与ML结合起来,在公共卫生保护方面面临强大的分析挑战的潜力.