Integrating Metal Phenolic Networks-Mediated Separation and Machine Learning-Aided SERS for High-Precision Quantification and Classification of Nanoplastics
Notice bibliographique
Résumé
The increasing accumulation of nanoplastics across ecosystems poses a significant threat to both terrestrial and aquatic life. Surface-enhance Raman scattering (SERS) is an emerging technique used for nanoplastic detection. However, the identification and classification of nanoplastics using SERS have challenges regarding sensitivity and accuracy, as nanoplastics are sparsely dispersed in the environment. Metal-phenolic networks (MPNs) have the potential to rapidly concentrate and separate various types and sizes of nanoplastics. SERS combined with machine learning may improve prediction accuracy. Herein, for the first time, we report the integration or MPNs-mediated separation with machine learning-aided SERS methods for the accurate classification and high-precision quantification of nanoplastics which is tailored to include the complete region of characteristic peaks across diverse nanoplastics in contrast to the traditional manual analysis of SERS spectra on a singular characteristic peak. Our customized machine learning system (e.g., outlier detection, classification, qualification) allows for the identification of detectable nanoplastics (accuracy 81.84%), accurate classification (accuracy > 97%) and the sensitive quantification of various types of nanoplastics (PS, PMMA, PE, PLA) down to ultra-low concentrations (0.1 ppm) as well as the accurate classification (accuracy > 92%) of nanoplastics mixtures to sub-ppm level. The effectiveness and novelty of this approach are substantiated by its ability to discern between different nanoplastics mixtures and detect nanoplastics samples in natural water systems.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
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 ».