Ultrasensitive Visual Fluorescence Detection of Heavy Metal Ions in Water Based on DNA-Functionalized Hydrogels
Notice bibliographique
Résumé
Heavy metal contamination of oceans, lakes, and other water resources can occur by both natural and human-related processes. Human exposure to heavy metals such as mercury is known to cause a number of serious health problems. Due to its high toxicity and bioaccumulative properties, the maximum toxic level of mercury in drinking water is set to be 10 nM or 2 parts-per-billion by the US EPA. Therefore, detection of mercury at such a low concentration poses an analytical challenge. While analytical instruments such as ICP-MS are still very widely used for heavy metal analysis, biosensors, are emerging as a cost-effective alternative allowing on-site and real-time detection. We herein describe a protocol for preparing polyacrylamide hydrogel-based biosensors functionalized with a thymine-rich DNA that can effectively detect mercury in water. Detection is achieved by the selective binding of Hg 2+ between two thymine bases inducing a hairpin structure where upon the addition of SYBR Green I dye, green fluorescence is observed. In the absence of Hg 2+ , the addition of the dye results in yellow fluorescence. This hydrogel-based sensor can easily detect 10 nM Hg 2+ using the naked eye, can be regenerated using a simple acid treatment, and can be dried for storage and easily rehydrated. This sensor is also used to detect Hg 2+ from Lake Ontario water samples spiked with mercury. In the case where a cationic gel formulation is used, the background fluorescence can be effectively suppressed to increase sensitivity. The future research directions of using such gels to detect other metal ions and to detect metal ions in ocean water are also discussed.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».