Analysis of Silver Nanoparticles in Ground Beef by Single Particle Inductively Coupled Plasma Mass Spectrometry (SP-ICP-MS)
Notice bibliographique
Résumé
The regulation and characterization of nanomaterials in foods are of great interest due to the potential risks associated with their exposure and the increasing number of applications where they are used within the food industry. One factor limiting the scientifically rigorous regulation of nanoparticles in foods is the lack of standardized procedures for the extraction of nanoparticles (NPs) from complex matrices without alteration of their physico-chemical properties. To this end, we tested and optimized two sample preparation approaches (enzymatic- and alkaline-based hydrolyses) in order to extract 40 nm of Ag NP, following their equilibration with a fatty ground beef matrix. NPs were characterized using single particle inductively coupled plasma mass spectrometry (SP-ICP-MS). Fast sample processing times (<20 min) were achieved using ultrasonication to accelerate the matrix degradation. NP losses during the sample preparation were minimized by optimizing the choice of enzymes/chemicals, the use of surfactants, and the product concentration and sonication. The alkaline approach using TMAH (tetramethylammonium hydroxide) was found to have the highest recoveries (over 90%); however, processed samples were found to be less stable than the samples processed using an enzymatic digestion based upon pork pancreatin and lipase (≈60 % recovery). Low method detection limits (MDLs) of 4.8 × 106 particles g−1 with a size detection limit (SDL) of 10.9 nm were achieved for the enzymatic extraction whereas an MDL of 5.7 × 107 particles g−1 and an SDL of 10.5 nm were obtained for the alkaline hydrolysis.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,003 |
| 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) | 0,000 | 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 ».