Integrating Metal–Phenolic Networks-Mediated Separation and Machine Learning-Aided Surface-Enhanced Raman Spectroscopy for Accurate Nanoplastics Quantification and Classification
Notice bibliographique
Résumé
Increasing accumulation of nanoplastics across ecosystems poses a significant threat to both terrestrial and aquatic life. Surface-enhanced Raman scattering (SERS) is an emerging technique used for nanoplastics detection. However, the identification and classification of nanoplastics using SERS faces 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, we report the integration of 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, quantification) allows for the identification of detectable nanoplastics (accuracy 81.84%), accurate classification (accuracy > 97%), and sensitive quantification of various types of nanoplastics (polystyrene (PS), poly(methyl methacrylate) (PMMA), polyethylene (PE), and poly(lactic acid) (PLA)) down to ultralow concentrations (0.1 ppm) as well as accurate classification (accuracy > 92%) of nanoplastic mixtures at a subppm level. The effectiveness of this approach is substantiated by its ability to discern between different nanoplastic mixtures and detect nanoplastic 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 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 | 0,000 |
| 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) | 0,000 | 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 ».