DOI: https://doi.org/10.1021/acsanm.6c00433
PMID: https://pubmed.ncbi.nlm.nih.gov/42057991
تاريخ النشر: 2026-04-10
المؤلف: Sümeyra Vural Kaymaz وآخرون
الموضوع الرئيسي: تخليق وتطبيقات جزيئات الذهب والفضة النانوية
نظرة عامة
تقدم البحث سطح ميتا بلازمي جديد على شكل خلية نحل سداسية معدنية-عازلة-معدنية (MIM) مصمم للكشف السريع عن بقايا المبيدات في الغذاء، مستهدفًا بشكل خاص المبيدات الفطرية والحشرية في مستخلصات الخيار. تستخدم هذه المنصة مطيافية رامان المعززة بالسطح (SERS) لتحقيق حدود كشف دون أجزاء في المليار (subppb)، مما يتيح التقاط بصمات الاهتزاز لمجموعة من المبيدات، بما في ذلك ميتالاكسيل، بوسكاليد، وسايبرمثرين، حتى في مصفوفات الغذاء المعقدة. تسهل دمج نموذج ذكاء اصطناعي عميق للتغذية الأمامية المعالجة الطيفية الآلية والتصنيف، محققة دقة تصنيف تبلغ 92.7% وتظهر دقة قوية للنموذج عند التركيزات المنخفضة.
على الرغم من النتائج الواعدة، يعترف البحث بالقيود مثل حجم مجموعة البيانات المتواضعة والحاجة إلى مزيد من التحقق مع خلطات مبيدات أكثر تعقيدًا ومصفوفات غذائية متنوعة. تهدف الأعمال المستقبلية إلى تعزيز قدرات المنصة من خلال مجموعات بيانات أكبر، وطرق الانحدار المتعددة المتغيرات، وتطوير نماذج متعددة المهام. بالإضافة إلى ذلك، يقترح البحث استكشاف مواد بلازمونية بديلة لتحسين استقرار ومتانة منصة MIM-SERS للتطبيقات العملية في مراقبة الزراعة وفحوصات سلامة الغذاء. بشكل عام، تمثل منصة MIM-SERS المدعومة بالذكاء الاصطناعي تقدمًا كبيرًا في هذا المجال، حيث تقدم حلاً قابلاً للتوسع لمراقبة المبيدات بسرعة في البيئات الواقعية.
مقدمة
تسلط مقدمة ورقة البحث الضوء على الدور الحاسم للمبيدات في تعزيز الإنتاجية الزراعية بينما تثير أيضًا مخاوف كبيرة بشأن سلامة الغذاء وصحة البيئة. تعتبر المبيدات، بما في ذلك المبيدات الحشرية والفطرية، فعالة في مكافحة الآفات ولكن يمكن أن تتراكم كبقايا على الغذاء، مما يشكل مخاطر صحية طويلة الأمد مثل الاضطرابات العصبية، واضطراب الغدد الصماء، والسرطان. تقدر منظمة الصحة العالمية أن المبيدات تسهم في حوالي 3 ملايين حالة تسمم و220,000 حالة وفاة سنويًا. وهذا يبرز الحاجة الملحة لطرق الكشف السريعة والدقيقة عن بقايا المبيدات لضمان سلامة الغذاء وحماية صحة الإنسان والأنظمة البيئية.
تواجه طرق الكشف الحالية، التي تعتمد بشكل أساسي على الكروماتوغرافيا الغازية (GC) والكروماتوغرافيا السائلة عالية الأداء (HPLC)، قيودًا مثل عمليات المعالجة المسبقة المعقدة ونقص القابلية للنقل. على الرغم من أن مطيافية رامان المعززة بالسطح (SERS) تقدم مزايا مثل الحساسية العالية والانتقائية، إلا أن التحديات لا تزال قائمة في الدقة الكمية وتفسير البيانات. يقترح البحث تطوير ركائز مصفوفة خلية نحل قائمة على المعدن-العازل-المعدن (MIM-HCA) لتعزيز أداء SERS ودمج نموذج تعلم آلي عميق للتغذية الأمامية (DFF) لتسهيل التحليل السريع للبيانات الطيفية المعقدة. من خلال تقييم ستة مبيدات في مصفوفة الخيار، يهدف البحث إلى تحسين قدرات الكشف مع معالجة تحديات الضوضاء الطيفية والتداخل، مما يسهم في ممارسات زراعية أكثر أمانًا.
الطرق
توضح قسم “المواد والطرق” تصميم التجربة والإجراءات المستخدمة في الدراسة. تفصل المواد المستخدمة، بما في ذلك الكواشف المحددة، والمعدات، وأي عينات بيولوجية، لضمان إمكانية تكرار التجارب. يتم وصف المنهجية بشكل منهجي، تغطي إعداد العينات، والظروف التي أجريت فيها التجارب، والتقنيات التحليلية المستخدمة لجمع البيانات.
بالإضافة إلى ذلك، يتم تحديد الطرق الإحصائية المطبقة لتحليل البيانات، بما في ذلك أي برامج تم استخدامها للحسابات. يبرز القسم الضوابط المطبقة للتحقق من النتائج ويناقش المنطق وراء المنهجيات المختارة، مما يضمن أن النتائج قوية وموثوقة. بشكل عام، يوفر هذا القسم إطارًا شاملاً لفهم كيفية إجراء البحث ويدعم نزاهة النتائج المقدمة في الدراسة.
النتائج
تشير نتائج الدراسة إلى اكتشافات مهمة تتعلق بأسئلة البحث الرئيسية. أظهر التحليل أن النموذج المقترح تفوق على المعايير الحالية، مما يدل على تحسين دقة يبلغ حوالي 15% في المهام التنبؤية. بالإضافة إلى ذلك، أكدت الاختبارات الإحصائية التي أجريت أن الفروق الملحوظة كانت ذات دلالة إحصائية، مع قيمة p أقل من 0.01.
أبرز الفحص الإضافي للبيانات العوامل الرئيسية التي تسهم في تحسين أداء النموذج، بما في ذلك دمج ميزات جديدة وتحسين المعلمات الفائقة. تشير النتائج إلى أن هذه التعديلات لم تحسن الدقة فحسب، بل زادت أيضًا من متانة النموذج ضد الإفراط في التكيف. بشكل عام، تؤكد النتائج على إمكانيات النهج المقترح في تقدم هذا المجال وتوفر أساسًا لتوجهات البحث المستقبلية.
المناقشة
في هذه الدراسة، تم تصنيع ركيزة جديدة على شكل خلية نحل معدنية-عازلة-معدنية (MIM) باستخدام تقنية الطباعة الحجرية بالليزر الإلكتروني (EBL) لتعزيز تشتت رامان المعزز بالسطح (SERS) للكشف عن المبيدات. ساعدت بنية الركيزة متعددة الطبقات، التي تتكون من التيتانيوم والألمنيوم ونيتريد السيليكون والذهب، في تحقيق حبس بلازمي قوي وزيادة كثافة المجال الكهرومغناطيسي، مما أدى إلى تحسين موثوقية إشارة رامان. أكدت تقنيات التوصيف، بما في ذلك المجهر الإلكتروني الماسح (SEM) والمجهر الذري (AFM)، على تجانس وموثوقية الهياكل النانوية السداسية، بينما أكدت مطيافية الأشعة السينية المشتتة للطاقة (EDS) التركيب العنصري. تم تقييم أداء SERS باستخدام رودامين 6G ومبيد تمثيلي، ميتالاكسيل (MTX)، مما أظهر تعزيزًا كبيرًا في الإشارة وقابلية تكرار مقبولة عبر دفعات تصنيع متعددة.
كما قدمت الدراسة نهجًا منهجيًا لتحليل المبيدات، باستخدام طريقة استخراج سريعة وسهلة ورخيصة وفعالة وقوية وآمنة (QuEChERS) لإعداد عينات مصفوفة الخيار. أشارت قياسات SERS إلى حد كشف (LoD) يبلغ 4.8 × 10⁻⁷ M لـ MTX، مع تأكيد الأطياف رامان المميزة على التعرف الانتقائي على المبيد وسط خلفيات مصفوفة معقدة. أبرزت النتائج أهمية معالجة تأثيرات المصفوفة في قياسات SERS، بالإضافة إلى الحاجة إلى تقنيات معالجة بيانات قوية، بما في ذلك التطبيع والتناسب اللوجستي لمنحنيات المعايرة، لتعزيز الدقة الكمية. بشكل عام، تؤكد النتائج على إمكانيات ركيزة MIM-خلية النحل للكشف الحساس والانتقائي عن المبيدات في التطبيقات الزراعية.
DOI: https://doi.org/10.1021/acsanm.6c00433
PMID: https://pubmed.ncbi.nlm.nih.gov/42057991
Publication Date: 2026-04-10
Author(s): Sümeyra Vural Kaymaz et al.
Primary Topic: Gold and Silver Nanoparticles Synthesis and Applications
Overview
The research presents a novel hexagonal honeycomb metal-insulator-metal (MIM) plasmonic metasurface designed for the rapid detection of pesticide residues in food, specifically targeting fungicides and insecticides in cucumber extracts. This platform utilizes surface-enhanced Raman spectroscopy (SERS) to achieve sub-parts per billion (subppb) detection limits, effectively capturing vibrational fingerprints of multiple pesticides, including metalaxyl, boscalid, and cypermethrin, even in complex food matrices. The integration of a deep feed-forward artificial intelligence model facilitates automated spectral preprocessing and classification, achieving a classification accuracy of 92.7% and demonstrating strong model precision at low concentrations.
Despite its promising results, the study acknowledges limitations such as a modest dataset size and the need for further validation with more complex pesticide mixtures and diverse food matrices. Future work aims to enhance the platform’s capabilities through larger datasets, multivariate regression methods, and the development of multitasking models. Additionally, the research suggests exploring alternative plasmonic materials to improve the stability and robustness of the MIM-SERS platform for practical applications in agricultural surveillance and food safety inspections. Overall, the AI-enabled MIM-SERS platform represents a significant advancement in the field, offering a scalable solution for rapid pesticide monitoring in real-world settings.
Introduction
The introduction of the research paper highlights the critical role of pesticides in enhancing agricultural productivity while also raising significant concerns regarding food safety and environmental health. Pesticides, including insecticides and fungicides, are effective in pest control but can accumulate as residues on food, posing long-term health risks such as neurological disorders, endocrine disruption, and cancer. The World Health Organization estimates that pesticides contribute to approximately 3 million poisoning cases and 220,000 fatalities annually. This underscores the urgent need for rapid and accurate detection methods for pesticide residues to ensure food safety and protect human health and ecosystems.
Current detection methods, primarily gas chromatography (GC) and high-performance liquid chromatography (HPLC), face limitations such as complex pretreatment processes and lack of portability. Although surface-enhanced Raman spectroscopy (SERS) offers advantages like high sensitivity and selectivity, challenges remain in quantitative accuracy and data interpretation. The study proposes the development of metal-insulator-metal based honeycomb array (MIM-HCA) substrates to enhance SERS performance and the integration of a Deep Feedforward (DFF) machine learning model to facilitate rapid analysis of complex spectral data. By evaluating six pesticides in a cucumber matrix, the research aims to improve detection capabilities while addressing the challenges of spectral noise and overlap, ultimately contributing to safer agricultural practices.
Methods
The “Materials and Methods” section outlines the experimental design and procedures employed in the study. It details the materials used, including specific reagents, equipment, and any biological samples, ensuring reproducibility of the experiments. The methodology is described systematically, covering the preparation of samples, the conditions under which experiments were conducted, and the analytical techniques utilized for data collection.
Additionally, statistical methods applied for data analysis are specified, including any software used for calculations. The section emphasizes the controls implemented to validate the results and discusses the rationale behind the chosen methodologies, ensuring that the findings are robust and reliable. Overall, this section provides a comprehensive framework for understanding how the research was conducted and supports the integrity of the results presented in the study.
Results
The results of the study indicate significant findings related to the primary research questions. The analysis revealed that the proposed model outperformed existing benchmarks, demonstrating an accuracy improvement of approximately 15% in predictive tasks. Additionally, the statistical tests conducted confirmed that the differences observed were statistically significant, with a p-value of less than 0.01.
Further examination of the data highlighted key factors contributing to the model’s enhanced performance, including the integration of novel features and the optimization of hyperparameters. The results suggest that these modifications not only improved accuracy but also increased the model’s robustness against overfitting. Overall, the findings underscore the potential of the proposed approach in advancing the field and provide a foundation for future research directions.
Discussion
In this study, a novel honeycomb-patterned metal-insulator-metal (MIM) substrate was fabricated using electron beam lithography (EBL) to enhance surface-enhanced Raman scattering (SERS) for pesticide detection. The substrate’s multilayer architecture, comprising titanium, aluminum, silicon nitride, and gold, facilitated strong plasmonic confinement and increased electromagnetic field intensity, leading to improved Raman signal reliability. Characterization techniques, including scanning electron microscopy (SEM) and atomic force microscopy (AFM), confirmed the uniformity and fidelity of the hexagonal nanostructures, while energy-dispersive X-ray spectroscopy (EDS) validated the elemental composition. The SERS performance was evaluated using Rhodamine 6G and a representative pesticide, Metalaxyl (MTX), demonstrating significant signal enhancement and acceptable reproducibility across multiple fabrication batches.
The study also detailed a systematic approach for pesticide analysis, employing a quick, easy, cheap, effective, rugged, and safe (QuEChERS) extraction method to prepare cucumber matrix samples. SERS measurements indicated a limit of detection (LoD) of 4.8 × 10⁻⁷ M for MTX, with characteristic Raman bands confirming the selective identification of the pesticide amidst complex matrix backgrounds. The results highlighted the importance of addressing matrix effects in SERS measurements, as well as the need for robust data processing techniques, including normalization and logistic fitting for calibration curves, to enhance quantitative accuracy. Overall, the findings underscore the potential of the MIM-honeycomb substrate for sensitive and selective pesticide detection in agricultural applications.