A highly selective electrochemical sensor by using bimetallic metal organic framework for the detection of 3-Monochloropropane-1,2-diol esters (3-MCPDEs)
Notice bibliographique
Résumé
3-Monochloropropane-1,2-diol esters (3-MCPDEs) are hazardous contaminants in heat-processed foods, raising serious food safety concerns. In this study, a high-performance Fe-Mn-MOF/NIF sensor was developed via a simple hydrothermal method for rapid and precise 3-MCPDEs detection. Structural and morphological analyses confirmed the sensor stability, with FTIR revealing strong interactions between (-CH) and (O-H) stretching vibrations, while XRD indicated slight crystal distortion upon detection. FESEM and TEM confirmed minimal aggregation, ensuring homogeneous iron (Fe) and manganese (Mn) distribution. The sensor exhibited a large surface area, significantly enhancing its detection capability. Using square wave voltammetry (SWV) method, it achieved a broad linear range (0.05–255 µM), low detection limit (0.002 µM), and exceptional sensitivity (43.71 µA µM −1 cm −2 ). Comparative analysis with GC-MS demonstrated comparable accuracy, while real-sample testing in soy sauce confirmed high recovery rates. Unlike conventional methods, this sensor enables cost-effective, rapid, and on-site detection, offering a transformative approach for food safety monitoring. With its superior performance, the Fe-Mn-MOF/NIF sensor presents a breakthrough in electrochemical detection, paving the way for enhanced food quality control and public health protection. • Fe-Mn-MOF/NIF sensor was synthesized for rapid and precise 3-MCPDE detection. • Sensor demonstrated a wide detection range of 0.05–255 µM for 3-MCPDE detection. • LOD and sensitivity were 0.002 µM and 43.71 µA µM⁻¹ cm⁻² respectively. • The recovery rate was 94.43 % in soy sauce, confirming the practical applicability.
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 | 0,001 |
| 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 ».