Field-Deployable Plasmonic Sensing and Machine Learning Classification of Microplastics Using Peptide–AuNP Conjugates
Notice bibliographique
Résumé
Microplastic (MP) debris ($1 \mu \mathrm{m}-5 \text{mm}$) is now widely found in oceans, rivers, and even municipal tap water, yet routine monitoring remains limited due to the high cost and time demands of laboratory-based FTIR or Raman spectroscopy. We introduce a peptide-gold nanoparticle (AuNP) assay that converts polymer-specific interactions into a rapid plasmonic colorimetric response, further analyzed through machine learning (ML)-based classification. Cysteineterminated peptides with affinity toward polystyrene (PS) and polypropylene (PP) were immobilized on 20 nm AuNPs. Upon exposure to the target microplastics, peptide-driven aggregation was triggered, producing a red-shift of the localized surface plasmon resonance (LSPR) band from 533 nm within five minutes. Spectral parameters obtained from UV-Vis analysis, together with dynamic light scattering (DLS) measurements, provided features such as$\lambda \max, \Delta \lambda$, full width at half maximum (FWHM), integrated absorbance, and Z-average hydrodynamic size. Random Forest, K-nearest neighbors (KNN), and Hierarchical Clustering were employed to classify MPs across six size ranges ($100 \text{nm}-250 \mu \mathrm{m}$) and four concentration tiers$\left(0.1-5 \mu \mathrm{g} \text{mL}^{-1}\right)$, successfully assigning blind samples to the correct size-concentration cluster. The assay functions effectively in tap water, achieving a limit of detection of$0.1 \mu \mathrm{g} \text{mL}^{-1}$and a linear detection range up to$10 \mu \mathrm{g} \text{mL}^{-1}$comparable to electrochemical platforms but without the need for a potentiostat or extended incubations. By integrating nanoscale molecular recognition with spectrum-based ML, this method offers a field-deployable, chemically specific solution for real-time microplastic monitoring.
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 | 0,000 | 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 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 ».