Optimizing the Concentration of Nile Red for Screening of Microplastics in Bottled Water
Notice bibliographique
Résumé
Increasing concern regarding the presence of microplastics in drinking water has led to a growing number of studies aimed at quantifying microplastics in water.In this work, we present an optimized procedure for the use of Nile red (NR) as a fluorescent staining agent for pre-screening of microplastics in bottled water.Positive and negative control experiments with NR concentrations ranging from 0.001 to 10 mg/L showed that the appropriate NR concentration is an important factor in obtaining representative particle counts.Non-optimized staining concentrations led to underestimation or overestimation of the particle count.In this study, the optimized NR staining concentration was found to be 0.1 mg/L.This method was successfully used to screen particles in seven different brands of bottled water consisting of both still and carbonated water, in both plastic and glass bottles.Particles larger than 100 µm were chemically characterized using attenuated total reflection-Fourier transform infrared spectroscopy (ATR-FTIR).Sixtyseven percent of these particles pre-screened with NR were confirmed to be polymers.Particles smaller than 100 µm were qualitatively analyzed using pyrolysis coupled with gas chromatography and mass spectroscopy (Py-GC-MS).Analysis of polymers between ~5-100 µm using Py-GC-MS confirmed that this smaller fraction generally mirrors the FTIR results for particles larger than l00 µm.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| 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 ».