CE-UV/LIF Analysis of Organic Fluorescent Dyes for Detection of Nanoplastics in Water for Quality Control
Notice bibliographique
Résumé
Nanoplastics are a type of plastic that forms because of the degradation of bulk plastics due to several natural factors, and they are everywhere around us. Nanoplastics are a global concern due to their diverse composition. Additionally, detecting and analyzing these particles in water samples is challenging, as they also often bind with organic pollutants. Current water treatment methods are ineffective against nanoplastics, and these plastics can take years to degrade completely. One of the promising methods to detect nanoplastics is using organic fluorescent dyes that can bind to the nanoplastics by interactions with their surfaces. Capillary electrophoresis with UV detection or laser-induced fluorescence are feasible techniques for this, especially laser-induced fluorescence, as it can give much more sensitivity and selectivity for the fluorescent dyes. The research aimed to validate capillary electrophoresis (CE) with UV spectrophotometer/laser-induced fluorescence detection (LIF) for the quantitative analysis of micro/nanoplastics in lake/ground/well/tap water samples using organic fluorescent dyes. CE was used with a blue laser, a photodetector, and a UV detector. A 50%/50% mixture of R6G & DCM (Rhody dye) was used as it showed the most promising results. It was found that the CE-UV/LIF method, especially CE-LIF, has shown potential for analyzing the nanoplastics contents of real-world water samples. Rhody dye mixtures showed good binding to the polystyrene nanoplastics, especially at lower concentrations. However, with the rise of cheminformatics and artificial intelligence-machine learning, fluorescent dye-based chemosensors will be better designed for future applications of CE-UV/LIF.
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 | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| 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 ».