Nanomaterial‐Based Biosensors for Aflatoxin B1 Detection: Current Advances, Challenges, and Prospects
Notice bibliographique
Résumé
Aflatoxins (AFTs) are mycotoxins recognized as the key contributors to environmental and food contamination. AFTs can contaminate food and raw materials at different phases of manufacturing, transformation, processing, distribution, and marketing. Aflatoxin B1 (AFB1) is the most harmful one among AFTs, and it exhibits potent toxic and carcinogenic effects in animals and humans. Currently, the efficient, fast, and sensitive methods for the early detection and monitoring of AFB1 in processed food and raw materials are urgently required. Nanomaterials, which possess unique physical, chemical, and optical properties, have gained increased traction in the manufacturing and improvement of biosensors for the detection sensitivity to AFB1. Herein, a comprehensive review of the development of nanomaterials-based biosensors for the detection of AFB1 in food and raw materials and their potential applications is provided. Additionally, the sensitivity, selectivity, and effectiveness in the detection of real samples are discussed. The biosensors aimed at AFB1 screening are highlighted using novel nanomaterials such as noble metal nanomaterials, quantum dots, and carbon-based nanomaterials. This review provides new information and insightful commentary, representing an important starting point for the future development and innovation of further innovative detection methods for AFB1 in food and raw materials.
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 | 0,000 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,002 |
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 ».