机器学习增强的友相互作用的识别,以改善PFOA的SERS检测
Monika Poonia1, Kathryn Terceiro2, Geoffrey D Bothun2
1Department of Civil and Environmental Engineering, Wayne State University Detroit MI 48202 USA monika.poonia@wayne.edu.
Environmental science. Nano
|March 16, 2026
概括
这项研究通过修改的SERS基质和机器学习来增强 perfluorooctanoic acid (PFOA) 的检测. 这种新的方法提高了灵敏度,并为环境监测提供了对友相互作用的见解.
科学领域:
- 环境化学环境化学
- 分析化学 分析化学
- 频谱学是一种光谱学.
背景情况:
- 包括 perfluorooctanoic acid (PFOA) 在内的 perf-和 polyfluoroalkyl 物质 (PFAS) 是具有重大健康风险的持续性环境污染物.
- 表面增强拉曼光谱 (SERS) 显示了PFAS检测的潜力,但在灵敏度和理解分子相互作用方面面临挑战.
研究的目的:
- 为敏感的PFOA检测开发一种增强的SERS方法.
- 为了阐明修改SERS基质和PFOA之间的性相互作用.
- 应用机器学习来改进PFOA的分类和量化.
主要方法:
- 用三种不同的化硫醇修改SERS基质.
- 用于PFOA检测的修改和赤裸的SERS基板的比较.
- 机器学习算法的应用 (PLS-DA,PLSR,SVM回归) 用于光谱分析.
- 在水样中检测PFOA的方法的验证.
主要成果:
- 表面修改显著增强了SERS信号,降低了PFOA的检测极限.
- PLS-DA模型有效地区分了连接体特异性相互作用模式.
- 支持矢量机 (SVM) 回归实现了3.61ppb的检测极限.
- 该方法表明,在环境相关度下,水中的PFOA具有敏感和线性反应.
结论:
- 与机器学习相结合的化醇改性SERS基底为PFOA检测提供了一种灵敏而强大的策略.
- 这项研究为基于SERS的PFAS分析提供了关键的联体特异性性相互作用的见解.
- 这种方法对实际的水性PFAS监测和未来用于更广泛的PFAS化合物和复杂矩阵具有前景.
