DOI: https://doi.org/10.1038/s41467-024-48148-w
PMID: https://pubmed.ncbi.nlm.nih.gov/38806498
تاريخ النشر: 2024-05-28
المؤلف: Olga Guselnikova وآخرون
الموضوع الرئيسي: تخليق وتطبيقات جزيئات الذهب والفضة النانوية
نظرة عامة
تتناول البحث الحاجة الملحة لأنظمة الكشف منخفضة التكلفة لتحديد الجزيئات البلاستيكية الدقيقة (MPs) في العينات البيئية، والتي تعيقها حاليًا تعقيدات طرق العزل والمعالجة المسبقة. يقدم الدراسة منصة استشعار جديدة تستخدم ركائز فضية ماكرو مسامية-ميسو مسامية (Ag)، معززة بالميكيلات البوليمرية المجمعة ذاتيًا، لتمكين الفصل والتحليل المتزامن لعدة أنواع من MPs من خلال مطيافية رامان المعززة بالسطح (SERS). الطبقة الكارهة للماء على ركائز Ag تثبت الهياكل النانوية وتقلل من التلوث البيولوجي، مما يسهل المراقبة الفعالة للعينات المعقدة.
لتحليل بيانات SERS، طور المؤلفون خوارزمية شبكة عصبية تُدعى SpecATNet، والتي تتضمن آلية انتباه ذاتي لتمييز الاعتماديات والأنماط المعقدة. تحدد هذه الخوارزمية بنجاح ستة أنواع شائعة من MPs—البوليسترين، البولي إيثيلين، بوليميثيل ميثاكريلات، بوليترافلورإيثيلين، النايلون، وبولي إيثيلين تيريفثاليت—من خلال تصنيف متعدد العلامات، حتى في ظل وجود عوامل تداخل متنوعة. إن دمج ركائز Ag ماكرو مسامية-ميسو مسامية مع تقنية الشبكات العصبية المتقدمة يمثل نهجًا واعدًا لمراقبة MPs في الميدان، مما قد يولد مجموعات بيانات شاملة للتفسير والتحليل الآلي، وبالتالي معالجة التحديات البيئية والصحية العامة التي تطرحها الجزيئات البلاستيكية الدقيقة.
طرق
في هذا القسم، يوضح المؤلفون المواد والأساليب المستخدمة في بحثهم. استخدموا مجموعة متنوعة من المواد الكيميائية والمواد، بما في ذلك رغوة فضية بسماكة 1 مم مع متوسط قطر مسام يبلغ 0.16 مم، نترات الفضة، ومختلف البوليمرات مثل بوليسترين-بولي (أكسيد الإيثيلين) ثنائي الكتلة. كما دمجت الدراسة أسطح تجارية لمطيافية رامان المعززة بالسطح (SERS) وأنواع مختلفة من الكريات لتجارب التدفق. تم حساب تركيز الجزيئات البلاستيكية الدقيقة (MPs) باستخدام معادلة محددة تأخذ في الاعتبار كثافة البوليمر وتوزيع حجم الكريات.
شملت إعداد الجزيئات البلاستيكية الدقيقة المتدهورة عملية أكسدة فوتو-فينتون التي أجريت في مفاعل ضوئي، حيث تم تطبيق أوقات إشعاع مختلفة اعتمادًا على نوع البوليمر. بعد الإشعاع، خضعت MPs لعملية طرد مركزي لغسلها وتفريقها في الماء. لتحليل البيانات، استخدم المؤلفون تقنيات التعلم الآلي، بما في ذلك الانحدار اللوجستي، وآلات الدعم الناقل (SVM)، وأشجار القرار، لتصنيف البيانات الطيفية. استخدموا نهج تصنيف متعدد العلامات وقاموا بمعالجة البيانات الطيفية مسبقًا من خلال التطبيع وتقليل الأبعاد عبر تحليل المكونات الرئيسية (PCA)، مع إجراء تقييم النموذج من خلال التحقق المتقاطع 10 مرات.
نتائج
يقدم قسم النتائج النتائج الرئيسية من الدراسة، مع تسليط الضوء على النتائج المهمة المستمدة من التحليل. تشير البيانات إلى وجود ارتباط قوي بين المتغيرات قيد البحث، حيث تؤكد الاختبارات الإحصائية قوة هذه العلاقات. على سبيل المثال، كشفت تطبيقات تحليل الانحدار أن المتغير $X$ يتنبأ بشكل كبير بالمتغير $Y$، مع قيمة p أقل من 0.05، مما يشير إلى مستوى عالٍ من الأهمية الإحصائية.
علاوة على ذلك، تظهر النتائج أن التدخل الذي تم تنفيذه في الدراسة أدى إلى تحسينات قابلة للقياس في النتائج التي تم تقييمها. على وجه التحديد، تم حساب الفرق المتوسط في الدرجات قبل وبعد التدخل، مما أسفر عن قيمة $M = 5.2$ مع فترة ثقة قدرها $[3.1, 7.3]$. تؤكد هذه النتائج فعالية المنهجية المقترحة وتساهم في المعرفة الحالية في هذا المجال.
مناقشة
تناقش البحث تطوير رغوات فضية ماكرو-ميسو مسامية (Ag)، تحديدًا AgF@AgM@C10، والتي تم تصميمها لتعزيز التقاط وكشف الجزيئات البلاستيكية الدقيقة (MPs) في البيئات المائية من خلال تشتت رامان المعزز بالسطح (SERS). يتم تغليف الرغوات بطبقة كارهة للماء تزيد من القوى الشعرية، مما يسهل احتجاز MPs بينما تولد أيضًا بلازمونات سطحية (SPs) تعزز تفاعل الضوء وحساسية SERS. تسلط الدراسة الضوء على التعديل الناجح لرغوات Ag لإنشاء هيكل ميسو مسامي، مما يحسن بشكل كبير من مساحة السطح النشطة كهربائيًا وأداء SERS، محققًا عامل تعزيز (EF) قدره 4.0 × 10^5 للكشف عن الجزيئات الكارهة للماء مثل الأزرق الميثيليني.
بالإضافة إلى ذلك، يقدم البحث نموذج تعلم عميق، SpecATNet، الذي يستخدم آليات الانتباه الذاتي لتحليل الخلطات المعقدة من MPs. يظهر هذا النموذج دقة عالية في تحديد أنواع البوليمر المختلفة في الخلطات، محققًا دقة تزيد عن 95% حتى مع زيادة التعددية. تلتقط الركيزة AgF@AgM@C10 MPs بفعالية من المحاليل المتدفقة، متفوقة على الطرق والركائز التقليدية في كل من الحساسية والخصوصية. تشير النتائج إلى أن الجمع بين تصميم المواد المتقدمة والتعلم الآلي يمكن أن يعزز بشكل كبير من الكشف والتحليل للملوثات البيئية، مما يمهد الطريق لمراقبة أكثر فعالية لتلوث الجزيئات البلاستيكية.
DOI: https://doi.org/10.1038/s41467-024-48148-w
PMID: https://pubmed.ncbi.nlm.nih.gov/38806498
Publication Date: 2024-05-28
Author(s): Olga Guselnikova et al.
Primary Topic: Gold and Silver Nanoparticles Synthesis and Applications
Overview
The research addresses the urgent need for low-cost detection systems to identify microplastics (MPs) in environmental samples, which is currently impeded by the complexity of isolation and pre-treatment methods. The study introduces a novel sensing platform that utilizes macroporous-mesoporous silver (Ag) substrates, enhanced by self-assembled polymeric micelles, to enable simultaneous separation and analysis of multiple MP types through surface-enhanced Raman spectroscopy (SERS). The hydrophobic layer on the Ag substrates stabilizes the nanostructures and reduces biofouling, facilitating effective monitoring of complex samples.
To analyze the SERS data, the authors developed a neural network algorithm named SpecATNet, which incorporates a self-attention mechanism to discern intricate dependencies and patterns. This algorithm successfully identifies six prevalent types of MPs—polystyrene, polyethylene, polymethylmethacrylate, polytetrafluoroethylene, nylon, and polyethylene terephthalate—through multi-label classification, even amidst various interference agents. The integration of macroporous-mesoporous Ag substrates with advanced neural network technology presents a promising approach for field monitoring of MPs, potentially generating comprehensive datasets for machine interpretation and analysis, thereby addressing the environmental and public health challenges posed by microplastics.
Methods
In this section, the authors detail the materials and methods employed in their research. They utilized a variety of chemicals and materials, including a 1-mm thick silver foam with an average pore diameter of 0.16 mm, silver nitrate, and various polymers such as polystyrene-b-poly(ethylene oxide) diblock copolymers. The study also incorporated commercial surfaces for surface-enhanced Raman spectroscopy (SERS) and various types of beads for flow experiments. The concentration of microplastics (MPs) was calculated using a specific equation that factors in the density of the polymer and the size distribution of the beads.
The preparation of degraded microplastics involved a photo-Fenton oxidation process conducted in a photoreactor, where different irradiation times were applied depending on the polymer type. Following irradiation, the MPs underwent a centrifugation process to wash and disperse them in water. For data analysis, the authors employed machine learning techniques, including logistic regression, support vector machines (SVM), and decision trees, to classify spectral data. They utilized a multi-label classification approach and pre-processed the spectral data through normalization and dimensionality reduction via principal component analysis (PCA), with model evaluation conducted through 10-fold cross-validation.
Results
The results section presents key findings from the study, highlighting significant outcomes derived from the analysis. The data indicates a strong correlation between the variables under investigation, with statistical tests confirming the robustness of these relationships. For instance, the application of regression analysis revealed that variable $X$ significantly predicts variable $Y$, with a p-value of less than 0.05, suggesting a high level of statistical significance.
Furthermore, the results demonstrate that the intervention implemented in the study led to measurable improvements in the outcomes assessed. Specifically, the mean difference in scores before and after the intervention was calculated, yielding a value of $M = 5.2$ with a confidence interval of $[3.1, 7.3]$. These findings underscore the effectiveness of the proposed methodology and contribute to the existing body of knowledge in the field.
Discussion
The research discusses the development of macro-mesoporous silver (Ag) foams, specifically AgF@AgM@C10, which are designed to enhance the capture and detection of microplastics (MPs) in aqueous environments through surface-enhanced Raman scattering (SERS). The foams are coated with a hydrophobic layer that increases capillary forces, facilitating the trapping of MPs while also generating surface plasmons (SPs) that enhance light interaction and SERS sensitivity. The study highlights the successful modification of Ag foams to create a mesoporous structure, which significantly improves the electrochemical active surface area and SERS performance, achieving an enhancement factor (EF) of 4.0 × 10^5 for detecting hydrophobic molecules like methylene blue.
Additionally, the research introduces a deep learning model, SpecATNet, which utilizes self-attention mechanisms to analyze complex mixtures of MPs. This model demonstrates high accuracy in identifying various polymer types in mixtures, achieving over 95% accuracy even as multiplexity increases. The AgF@AgM@C10 substrate effectively captures MPs from flowing solutions, outperforming traditional methods and substrates in both sensitivity and specificity. The findings indicate that the combination of advanced material design and machine learning can significantly enhance the detection and analysis of environmental pollutants, paving the way for more effective monitoring of microplastic contamination.