
-
生物通官微
陪你抓住生命科技
跳动的脉搏
基于碳量子点荧光传感器检测阿莫西林:响应面法优化与机器学习辅助评估
《BMC Chemistry》:Fluorescent sensing of amoxicillin in milk using carbon quantum dots: optimization by design of experiments and machine learning
【字体: 大 中 小 】 时间:2026年09月23日 来源:BMC Chemistry 5.1
编辑推荐:
摘要通过一种方法合成的碳量子点 (CQDs) 经过包括傅里叶变换红外光谱 (FTIR)、透射电子显微镜 (TEM)、扫描电子显微镜 (SEM)、能量色散 X 射线光谱 (EDX) 和荧光光谱在内的高级技术进行全面表征,证实了其纳米结构和功能表面基团。实验设计使用响应面法 (R
通过一种方法合成的碳量子点 (CQDs) 经过包括傅里叶变换红外光谱 (FTIR)、透射电子显微镜 (TEM)、扫描电子显微镜 (SEM)、能量色散 X 射线光谱 (EDX) 和荧光光谱在内的高级技术进行全面表征,证实了其纳米结构和功能表面基团。实验设计使用响应面法 (RSM) 和中心复合设计 (CCD) 进行优化,系统评估了 pH 值、反应时间、温度和传感器用量,以最大化荧光猝灭响应 (F?/F)。统计分析显示模型适配度极佳 (R2 = 0.9834, Adj-R2 = 0.9680, Pred-R2 = 0.9082),其中 pH 值、反应时间和传感器用量被确定为最具影响力的参数。诊断图验证了线性、正态性和同方差性的假设,确保了预测的可靠性。为进一步验证并增强预测性能,采用了机器学习模型。与二次回归相比,随机森林表现出卓越的准确率 (R2 ≈ 0.96) 和更低的误差指标,突显了集成学习在捕捉非线性多变交互作用方面的潜力。校准研究建立了两个线性范围 (10–300 μM 和 300–650 μM),检测限 (LOD) 分别为 41.47 μM 和 101.78 μM,定量限 (LOQ) 分别为 125.66 μM 和 308.43 μM。空白精度令人满意 (RSD = 3.39%),证实了重现性。干扰研究显示常见离子和生物分子的影响可忽略不计,验证了传感器的选择性。因此,结构表征、基于实验设计 (DOE) 的优化和机器学习评估的结合,突显了基于 CQDs 的传感器作为在复杂基质中检测阿莫西林的灵敏、选择性平台的稳健性。
通过一种方法合成的碳量子点 (CQDs) 经过包括傅里叶变换红外光谱 (FTIR)、透射电子显微镜 (TEM)、扫描电子显微镜 (SEM)、能量色散 X 射线光谱 (EDX) 和荧光光谱在内的高级技术进行全面表征,证实了其纳米结构和功能表面基团。实验设计使用响应面法 (RSM) 和中心复合设计 (CCD) 进行优化,系统评估了 pH 值、反应时间、温度和传感器用量,以最大化荧光猝灭响应 (F?/F)。统计分析显示模型适配度极佳 (R2 = 0.9834, Adj-R2 = 0.9680, Pred-R2 = 0.9082),其中 pH 值、反应时间和传感器用量被确定为最具影响力的参数。诊断图验证了线性、正态性和同方差性的假设,确保了预测的可靠性。为进一步验证并增强预测性能,采用了机器学习模型。与二次回归相比,随机森林表现出卓越的准确率 (R2 ≈ 0.96) 和更低的误差指标,突显了集成学习在捕捉非线性多变交互作用方面的潜力。校准研究建立了两个线性范围 (10–300 μM 和 300–650 μM),检测限 (LOD) 分别为 41.47 μM 和 101.78 μM,定量限 (LOQ) 分别为 125.66 μM 和 308.43 μM。空白精度令人满意 (RSD = 3.39%),证实了重现性。干扰研究显示常见离子和生物分子的影响可忽略不计,验证了传感器的选择性。因此,结构表征、基于实验设计 (DOE) 的优化和机器学习评估的结合,突显了基于 CQDs 的传感器作为在复杂基质中检测阿莫西林的灵敏、选择性平台的稳健性。