《Applied Surface Science》:Detection of trace pollutants in pond water based on micro-nano composite Ag/PET SERS substrates and machine learning algorithms
编辑推荐:
``•通过磨蚀和等离子体处理,在PET表面上制造出具有密集纳米突起的微槽。•超高的灵敏度、良好的均匀性、出色的可重复性和可重复使用性。•借助柔性、轻便且坚固的基底,实现现场漂浮采样。•SVC算法在多组分污染物检测中展现出卓越的准确性。•SVR-RF-XGB技术能够在实际池塘水中实
``
- •
通过磨蚀和等离子体处理,在PET表面上制造出具有密集纳米突起的微槽。
- •
超高的灵敏度、良好的均匀性、出色的可重复性和可重复使用性。
- •
借助柔性、轻便且坚固的基底,实现现场漂浮采样。
- •
SVC算法在多组分污染物检测中展现出卓越的准确性。
- •
SVR-RF-XGB技术能够在实际池塘水中实现精确的微污染物(MG)定量(R2 = 0.9960)。
引言
全球快速工业化,加上未经妥善处理的工业废水的非法排放和有毒化学物质的肆意使用,导致了水环境的显著恶化[1]。在这些污染物中,微量有毒有机化合物(尤其是被禁用的工业染料)由于具有强烈的致癌性、致畸性和诱变性,被视为对生态安全和公共健康的重大威胁。这些物质容易在水生生物体内积累,并最终通过食物链对人类健康造成不可逆的伤害[2]。因此,在污染源(如水产养殖池塘水)进行现场直接监测是防止污染的关键防线[3],[4]。传统的检测方法(如高效液相色谱法和质谱法)具有较高的分析精度,但它们依赖于昂贵的仪器、繁琐的样品预处理和漫长的检测周期,完全不适合在各种现场快速筛查场景中使用。相比之下,表面增强拉曼散射(SERS)是一种先进的非破坏性分子光谱技术,结合了超高的灵敏度和指纹识别能力,在快速检测应用中显示出巨大潜力[5],[6]。
SERS技术的超高灵敏度源于等离子体纳米结构的局域表面等离子体共振(LSPR),其增强性能在很大程度上取决于基底的表面形态[7]。特别是当等离子体纳米结构相互靠近时,LSPR耦合会在纳米间隙中激发极强的局部电磁场,这些地方成为有效的热点。因此,通过设计微/纳米结构来创建高密度热点是实现高性能SERS基底的一种常见策略[8],[9]。为了获得高均匀性和可重复性,这些密集的热点通常构建在支撑材料上。传统的刚性支撑材料(如硅片和玻璃)脆弱且容易因物理冲击而断裂,因为它们无法变形以 dissipate 应力。相比之下,柔性支撑材料可以通过弹性变形有效吸收和缓冲环境干扰。鉴于基底在野外水监测中可能受到流体流动和机械干扰的影响,柔性基底比起刚性基底具有更大的实际应用价值。
在各种柔性材料中,聚对苯二甲酸乙二醇酯(PET)薄膜因其出色的机械稳定性、低成本、轻便性和便携性而脱颖而出[10]。然而,PET表面的化学惰性导致金属层的范德华粘附力较弱,在现场条件下容易脱落,从而严重削弱了其坚固性。等离子体处理是一种高效且环保的表面改性技术,不会改变材料的整体性质。例如,Anja等人[11]使用氧气等离子体处理具有微米级结构的PET织物,以改变其表面化学性质,从而促进ZnO颗粒的形成。Zang等人[12]使用氩等离子体处理PET,而Zuo等人[13]则使用氧气等离子体处理PET后,通过蒸发或溅射沉积金属层,分别实现了Rhodamine 6G(R6G)的低检测限为10^-9 M和10^-8 M。然而,单独使用等离子体处理通常只能产生纳米级特征。另一方面,微米级结构在增强宽带光捕获、增加热点密度和提高机械坚固性方面起着关键作用,因此微/纳米层次基底作为一个强大的传感平台受到了广泛关注[14]。
本研究创造性地将简单的低成本机械磨蚀与氧气等离子体(OP)处理相结合,在PET表面生成了微米级的沟槽和类似迷宫的纳米突起,形成了具有坚固层次微/纳米结构的柔性SERS基底。这种层次结构通过大幅增加比表面积和丰富的纳米间隙显著扩展了有效热点的体积,而OP处理引入的含氧极性基团确保了银层的牢固化学锚定。这种协同作用赋予了出色的机械坚固性,并在复杂环境中支持了灵敏和可回收的检测。正如在真实池塘水中检测孔雀石绿(MG)所展示的那样,这种轻质基底可以简单地漂浮在水面上进行采样,为现场快速筛查提供了极大的便利[15]。为了解决复杂真实基质中结构相似组分造成的背景干扰和严重的光谱重叠问题,引入了机器学习(ML)[16],[17],[18]。通过将主成分分析(PCA)与K最近邻(KNN)、随机森林(RF)和支持向量分类器(SVC)分类器相结合,本工作实现了对具有高度重叠光谱特征的分子的可靠识别。建立了一种基于独立样本级划分和训练集适配预处理的无泄露分类工作流程,同时引入了二元、三元和四组分混合物以评估多标签组分的识别,包括低丰度组分的识别。更重要的是,开发了一种基于投票回归器的集成学习模型,有效抑制了真实水样中的虚假噪声,显著提高了微污染物定量预测的稳健性。通过整合机器学习,本工作为复杂水环境中污染物的智能早期预警提供了一种可靠的技术范式[19],[20],[21]。
章节片段
材料与试剂
实验中使用的PET薄膜是从一家在线商店(Maikaisi Electromechanical Hardware,中国)购买的。丙酮(≥99.5%)和无水乙醇(≥99.7%)从上海凌峰化学试剂有限公司获得。结晶紫(CV,分析级)从上海润杰化学试剂有限公司购买。R6G、罗丹明B(RB)和MG从南通飞雨生物技术有限公司获得。整个实验过程中使用去离子水(DI,≥18.25 MΩ cm)。
基底形态
图1概述了基于PET的SERS基底的制造过程。机械磨蚀(图1a)创建了微米级的沟槽,随后的OP处理(图1b)在这些预先形成的微结构上诱导了纳米结构。银沉积(图1c)使层次结构化的PET薄膜具备了SERS活性。最后进行了拉曼光谱测量(图1d)。这种简单且低成本的策略结合了无模板的机械粗糙化和干等离子体处理
结论
总之,本研究成功构建了一个智能的SERS检测平台,该平台将柔性、层次工程化的基底与机器学习相结合,为复杂水环境中的污染物监测提供了全面的解决方案。通过巧妙结合机械磨蚀和OP处理,获得了一种具有高灵敏度(EF = 1.13 × 10^7)、优异信号均匀性(RSD = 9.8%)和出色检测重复性(RSD = 4.5%)的SERS基底
CRediT作者贡献声明
金燕:撰写——原始草稿、可视化、验证、软件、资源、方法论、调查、正式分析。屠凌曦:数据管理。李双云:概念化。卢尧:验证。刘思廷:可视化。徐一婷:可视化、软件。徐美凤:可视化。金勇龙:方法论。丁嘉豪:可视化、监督。甘鹏宇:可视化。王朝阳:撰写——审阅与编辑、验证、调查、正式分析。
利益冲突声明
作者声明他们没有任何已知的利益冲突或个人关系可能会影响本文报告的工作。
致谢
本工作得到了国家自然科学基金(编号61601249)、南通市自然科学基金(JC2023002)以及南通大学大型仪器开放基金的支持。感谢南通大学分析测试中心在当前研究中对SEM表征结果的支持。
金燕|屠凌曦|李双云|卢尧|刘思廷|徐一婷|徐美凤|金勇龙|丁嘉豪|甘鹏宇|王朝阳
```