Extracting Metallic Nanoparticles from Soils for Quantitative Analysis: Method Development Using Engineered Silver Nanoparticles and SP-ICP-MS
Notice bibliographique
Résumé
The lack of an efficient and standardized method to disperse soil particles and quantitatively subsample the nanoparticulate fraction for characterization analyses is hindering progress in assessing the fate and toxicity of metallic engineered nanomaterials in the soil environment. This study investigates various soil extraction and extract preparation techniques for their ability to remove nanoparticulate Ag from a field soil amended with biosolids contaminated with engineered silver nanoparticles (AgNPs), while presenting a suitable suspension for quantitative single-particle inductively coupled plasma mass spectroscopy (SP-ICP-MS) analysis. Extraction parameters investigated included reagent type (water, NaNO 3, KNO 3, tetrasodium pyrophosphate (TSPP), tetramethylammonium hydroxide (TMAH)), soil-to-reagent ratio, homogenization techniques as well as procedures commonly used to separate nanoparticles from larger colloids prior to analysis (filtration, centrifugation, and sedimentation). We assessed the efficacy of the extraction procedure by testing for the occurrence of potential procedural artifacts (dissolution, agglomeration) using a dissolved/particulate Ag mass ratio and by monitoring the amount of Ag mass in discrete particles. The optimal method employed 2.5 mM TSPP used in a 1:100 (m/v) soil-to-reagent ratio, with ultrasonication to enhance particle dispersion and sedimentation to settle out the micrometer-sized particles. A spiked-sample recovery analysis shows that 96% ± 2% of the total Ag mass added as engineered AgNP is recovered, which includes the recovery of 84.1% of the particles added, while particle recovery in a spiked method blank is ∼100%, indicating that both the extraction and settling procedure have a minimal effect on driving transformation processes. A soil dilution experiment showed that the method extracted a consistent proportion of nanoparticulate Ag (9.2% ± 1.4% of the total Ag) in samples containing 100%, 50%, 25%, and 10% portions of the AgNP-contaminated test soil. The nanoparticulate Ag extracted by this method represents the upper limit of the potentially dispersible nanoparticulate fraction, thus providing a benchmark with which to make quantitative comparisons, while presenting a suspension suitable for a myriad of other characterization analyses.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| 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 | 0,001 | 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) | 0,000 | 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 tête enseignante, 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 ».