综述：绿色合成碳点的药物传感应用综述

《Talanta Open》：Review of Green synthesized Carbon Dots: Applications in Pharmaceutical drug sensing

本综述系统评述了绿色合成碳点（GSCDs）在药物传感领域的前沿进展。重点介绍了以生物质为前体的可持续合成策略（水热法、微波辅助法等），阐明了其荧光机制（SQE、FRET等），并创新性地探讨了机器学习（ML）在优化合成参数（量子产率QY、发射波长）中的应用。为药物分析（剂量形式、生物体液）提供了高灵敏度、低检测限（LOD）的环保解决方案。

　　

1. 引言

随着纳米技术的巨大进步，过去二十年中涌现出众多新型荧光纳米材料。在用于传感的荧光纳米材料中，量子点（QDs）引起了极大的兴趣。它们通常是尺寸在1至10纳米之间的半导体晶体，其光学特性（如荧光）源于量子限域效应（QCE）。QDs的行为在很大程度上依赖于尺寸，较小的颗粒在较短波长下发射光。QDs可分为不同类型，包括金属（金）、半导体（如硒和硫化镉）和碳基量子点（CDs）。半导体QDs已被用于生物成像和发光器件等应用。然而，它们存在毒性问题、有限的生物相容性以及高生产成本，限制了其广泛应用。

相比之下，碳点（CDs）与半导体QDs相比具有若干优势。它们由于其固有的带隙而表现出独特的电学和光电特性，并具有易于表面修饰、低生产成本以及在多种溶剂中良好分散性等理想特性。它们的生物相容性和无毒性质使其特别适用于生物和医学应用。CDs可以容易地用各种基团功能化，包括氨基、环氧基、羟基和羧基，无论其核心结构如何。这些表面功能影响了CDs的亲水或疏水特性，使其能够为在不同介质中的分散和稳定性而定制。此外，通过用氮或硫等杂原子掺杂CDs，可以调整其电导率和光学行为，使其成为传统半导体QDs的有吸引力的替代品。

CDs于2004年由Xu等人在纯化单壁碳纳米管过程中首次观察到。2006年，Sun等人引入了“碳量子点”（CQDs）这一术语来描述这些新发现的荧光碳纳米材料，并成功展示了一种显著增强其荧光发射的合成方法。

CDs通常分为三种主要类型：石墨烯量子点（GQDs）、碳纳米点（CNDs）和聚合物点（PDs）。在CNDs中，存在两种亚型：碳纳米颗粒（CNPs），它是无定形的，由于缺乏明确的晶体结构而没有量子限域；以及碳量子点（CQDs），它包含多个石墨烯层和表面基团，有助于QCE。GQDs通常是各向异性的，由一个或几个石墨烯层组成，具有边缘或层间缺陷，通过量子限域和边缘效应影响其荧光。相比之下，PDs是由单体或线性聚合物的聚集或交联形成的。在结构上，CDs通常具有无定形或纳米晶的核心，具有石墨（sp2杂化碳）框架。在某些情况下，它们可能包含类金刚石（sp3杂化）碳域。sp2区域增强了光稳定性、电导率和电子迁移率，使其成为成像、光电子学和能量存储应用的理想选择。同时，sp3区域提供了功能化位点，改善了溶解性、化学反应性以及与生物系统的兼容性。这种双重性质使CDs能够在多样环境中表现良好，并支持其在药物递送、生物传感和环境应用中的使用。

CDs最近已从多种化学来源合成，例如苯二胺、柠檬酸氢二铵、硼酸和乙二胺四乙酸。从生物质来源合成CQDs时实施绿色分析化学（GAC）原则已成为近年来的趋势，因为它促进了环境友好、高效和可持续的过程，减少了对有害试剂的需求，并鼓励使用可再生资源。因此，多种绿色前体，如生物质和生物衍生化学品，已被用作合成GSCDs的功能性起始材料。生物质前体包括植物、食品、动物、人类、微生物和生物废物。而生物衍生化学品是从生物质中分离、纯化的化合物，如糖类、尿素、天冬氨酸和柠檬酸。这些前体提供了多种好处，包括低成本、易获取、高产量和生物相容性。值得注意的是，许多绿色生物质前体富含功能基团，如碳水化合物和蛋白质中的那些，这通常消除了额外化学钝化的需要。这种自钝化，结合杂原子的存在，增强了GSCDs的光学特性，使其高度适用于生物医学应用。尽管有这些优势，绿色生物质前体的复杂和多变组成在实现所得GSCDs的均匀性方面提出了挑战。来源材料的自然变异性可能导致尺寸、表面特性和性质的差异，这可能影响最终产品的可重复性和一致性。本综述旨在探讨GSCDs的合成过程，重点介绍机器学习（ML）技术在优化合成过程和提升GSCDs性能中的应用。此外，它还讨论了它们在药物传感中的潜力。与先前在该领域发表的著作相比，本综述的新颖之处在于它首次特别关注GSCDs的药物应用，并纳入了关于ML在其合成中作用的讨论。

1.1. GSCDs的合成步骤

本节概述了合成GSCDs所涉及的步骤。图1显示了这些步骤的示意图。

1.2. 起始材料的预处理

预处理是指在起始材料主要化学转化为CDs之前应用于其的所有准备步骤。预处理的主要目标是去除非功能性或污染物物质，并增强目标组分的表面积，从而促进高效转化为具有定制特性的CDs。对于生物质，预处理通常涉及连续步骤，如洗涤、干燥、尺寸减小和提取。相比之下，生物衍生化学品由于其高纯度和明确的化学结构，通常需要很少或不需要预处理。然而，重要的是要承认此类化学品在供应商层面的加工过程中通常已经经历了类似的预处理步骤。因此，本节主要强调基于生物质的起始材料的预处理。

洗涤是旨在消除在生物质收集过程中可能积累的非功能性物质和表面污染物的初始步骤。它有助于去除不需要的残留物和颗粒。常见的洗涤剂包括蒸馏水、去离子水和酸如王水（3:1, HCl:HNO₃），取决于生物质的性质。然后，干燥阶段旨在减少或消除生物质中的水分含量。冻干（在低温和压力下将冰升华成蒸气）被广泛使用。或者，更节能的方法包括热风烘箱干燥或在环境条件下暴露于太阳辐射。之后，尺寸减小是必要的，以减少生物质的物理尺寸增加其表面积，从而增强后续化学转化的反应性和效率。这可以通过切碎、研磨、捣碎或球磨来实现。提取是最后一步，其中功能组分从预处理的生物质中分离和浓缩。这通常通过将生物质与溶剂混合以选择性提取所需化合物来完成。常见溶剂包括水或乙醇。溶剂的选择至关重要，因为它可以确定提取哪些化合物并最终影响合成的CDs的特性。

1.3. 化学转化

化学转化步骤代表了GSCDs合成过程中的核心转化过程。这个阶段通常可以遵循两种主要方法：自上而下或自下而上的方法。

在自上而下的方法中，较大的富碳材料如石墨、石墨烯、碳纳米管或富勒烯被分解成纳米级的GSCDs。这是通过使用苛刻的化学氧化、电化学过程或暴露于强能量源如激光烧蚀或电弧放电来实现的。另一方面，自下而上的方法涉及从起始材料中较小的碳基分子构建GSCDs。这是通过更温和的技术实现的，如溶剂热、微波辅助、热解、回流或电化学反应。近年来，自下而上的方法因其温和的反应条件和对可持续前体的兼容性而受到欢迎。与自上而下方法（通常需要高能量输入，如强激光烧蚀或长时间电弧放电，能耗超过3–5 kWh每克产品）不同，自下而上的方法如水热或微波辅助合成可以在显著更低的温度（通常150–250°C）和更短的反应时间下操作，减少能耗高达60–70%。此外，自下而上策略 readily utilize renewable biomass such as fruit peels, leaves, and agricultural waste, eliminating the need for expensive and non-renewable carbon sources. This combination of lower energy demand and renewable feedstocks makes bottom-up synthesis inherently more sustainable and cost-effective, while aligning with green chemistry principles.

1.3.1. 自下而上方法

1.3.1.1. 溶剂热和水热转化

在这些方法中，预处理的起始材料溶解或分散在溶剂或水中，并密封在高压釜内。然后将系统在受控温度下加热指定持续时间，在液相环境中促进均匀成核和GSCDs的生长。温度通常设置在溶剂或水的沸点以上以产生内部压力，确保高效转化。引入催化剂可以通过降低所需温度或减少反应时间进一步提高能量效率。水热碳化（HTC）通常用于从具有高纤维素含量的生物质生产CDs。K. Kirubanithy等人从Prosopis juliflora植物茎在200°C下水热条件下5小时合成了氮掺杂CDs（图2）。N-CDs的荧光量子产率（QY）约为4.92%，平均粒径约为8.6 nm。合成的N-CDs被评估用于传感Fe(III)离子，表现出高灵敏度、优异的选择性和0.593 μM的检测限（LOD）。

1.3.1.2. 回流转化

该方法涉及将起始材料溶解或分散在溶剂中，然后将溶液加热至沸腾。溶剂蒸气冷凝并返回烧瓶，在反应过程中保持恒定体积。GSCDs在加热的溶剂中形成，在大气压下。回流适用于自上而下和自下而上的合成，但后者出于可持续性原因更受青睐。V. Sadhu等人通过回流过程合成了绿色荧光碳点（CM-CDs），用于检测抗抑郁药。将半胱氨酸（60 mM）和麦芽糖（5 mM）溶解在水中并超声处理10分钟。然后将等体积（各5 mL）的半胱氨酸和麦芽糖溶液在160°C下回流12小时。在反应过程中，通过添加100 μL的0.1 M NaOH将pH调节至9。随着反应进行，溶液变黄，表明CM-CDs的形成。所得溶液对去离子水透析1.5小时以分离超小CM-CD纳米结构。

1.3.1.3. 热解转化

热解涉及在高温下（通常高于200°C）在大气或减压下热分解无溶剂固体起始材料。尽管在某些方面与其他热方法相似，但热解因其纯粹依赖热量且无溶剂而脱颖而出，使其简单直接。X. Fang等人开发了一种用于细菌成像应用的CQDs的绿色合成方法，利用温和热解。该过程涉及在220°C的烤箱中加热京尼平和栀子籽提取物的混合物2小时，导致形成黑色残留物。将残留物冷却至室温（～25°C）后，将其溶解在10 mL DMSO中。通过搅拌和超声处理促进完全溶解。然后将溶液在黑暗中孵育24小时，随后进行三个超声处理和过滤循环（使用0.22 μm注射器过滤器），最终产生所需的CQDs。

1.3.1.4. 微波辅助转化

在这种方法中，溶解或悬浮在水或其他溶剂中的起始材料受到微波辐射。溶液中的极性分子和离子吸收能量，快速旋转和振动，从而内部产生热量。这种能量转移导致快速且均匀的化学转化。根据设置，反应可以在密封环境（模拟溶剂热条件）或开放容器（更类似于热解，由于溶剂快速蒸发）中发生。微波辅助合成是制备生物质衍生碳量子点（CQDs）的广泛采用的方法， owing to its rapid, energy-efficient, and even heat distribution and significantly reduced reaction time compared to conventional heating. R. Hesham等人使用微波辅助技术从大蒜和花椰菜叶及茎成功合成了多掺杂CQDs（图3）。该方法能够在大约8分钟内快速生产CQDs。全面表征显示，所得CQDs自掺杂了硫、磷、氮以及痕量元素如钠和钾，同时存在含有O、S、P和N的表面功能基团。这些结构特征贡献了42%的高荧光量子产率和显著的光稳定性，其性质保持超过六个月。这些特性促进了它们作为基于荧光的光传感器有效应用于环境和药物检测Fe3?离子，浓度范围为10.0–400.0 μM。

1.3.2. 自上而下方法

1.3.2.1. 化学氧化

化学氧化是合成GSCDs最著名的自上而下方法之一。由于其显著优势，包括成本效益、高生产产量、优异纯度和易于控制粒径，被广泛采用。在这种方法中，小有机分子使用强氧化酸碳化成碳基纳米材料，促进较大碳结构破碎成纳米级CDs。它的缺点在于所得纳米颗粒尺寸均匀性差。电化学氧化提供了一种替代方案，可以使用各种电极材料（如石墨棒、碳纤维或碳糊）生产具有高纯度、理想产量和可调形态的碳点。然而，其更广泛的应用受到处理步骤复杂性和持续时间的阻碍。

1.3.2.2. 超声处理

超声处理利用高能超声波将大碳结构破碎成较小的GSCDs。该技术提供了显著的好处，包括环境友好、低成本以及能够提供深度渗透和均匀处理。然而，超声处理的一个主要限制在于反应混合物的不均匀加热。超声波产生的局部热效应可能导致能量分布不一致，从而降低反应效率，与更均匀的加热方法（如直接或微波辅助加热）相比。Y. Zhou等人从废咖啡渣（SCGs）合成了CDs，有效地将废物转化为有价值的生物医学工具。在他们的方法中，5 g SCGs用酸处理并在37 kHz超声浴（扫描模式）中超声处理2小时。然后将混合物在100°C下回流3小时，持续搅拌。完成后，让反应冷却至室温。所得溶液用20 mL去离子水稀释并使用8 M NaOH中和。CDs随后通过两步过滤过程纯化，使用5 μm纸质过滤器 followed by a 0.20 μm PES膜过滤器。

1.4. 纯化

纯化是CDs合成过程中通常遵循化学转化步骤的一个重要步骤。进行该步骤是为了将所需的碳点与各种反应杂质分离，包括未反应的起始材料和合成过程中形成的副产物。当使用原始生物质作为前体时，此步骤尤其重要，因为它确保了生产适用于高级应用的高纯度、高质量碳点。可以采用几种纯化技术，单独或组合使用，以实现此目标。过滤是最常用的初始纯化方法之一。它涉及将粗反应溶液通过膜或过滤器以基于尺寸排阻去除较大颗粒。聚四氟乙烯（PTFE）膜，孔径0.22 μm，通常用于此目的。过滤后，透析 frequently applied to further purify the carbon dots. In this technique, the filtered solution is placed on one side of a semipermeable membrane that allows only small molecules to pass through while retaining the larger carbon dot particles. The dialysis membrane typically has a molecular weight cut-off between 100 and 3000 Daltons. This method is effective in removing small molecular impurities such as salts and residual reagents. In some cases, column chromatography is also employed as an additional purification step. This method enables the separation of components based on their differential interactions with the stationary and mobile phases, allowing for more precise isolation of carbon dots from closely related impurities.

2. 机器学习在控制GSCDs合成中的应用

CDs的合成是一个复杂过程，受众多关键因素影响，包括反应温度、试剂和前体的选择、反应时间和溶剂环境。这些参数共同决定了CDs的关键光学特性，如其QY和发射波长。传统上，这些参数的优化严重依赖于试错方法，研究人员系统地改变个体合成条件以期实现改进的材料特性。虽然这种方法导致了重大发现，但它本质上是耗时的、成本高的且效率低下的，特别是考虑到合成空间的多维性质。

此外，从生物质衍生前体合成碳点提出了更大的挑战。生物质来源，无论是植物基、动物基还是人源，自然表现出其化学组成的固有变异性。因此，即使在相同的反应条件下，从不同批次的生物质生产的CDs在光学特性上也可能显示出显著 variation。这种内在的异质性使得为GSCDs建立可重复的合成协议更加困难。因此，实施机器学习（ML）变得至关重要，不仅优化合成参数，而且考虑并最小化由前体不一致性引起的变化，从而在绿色CD合成中导致更可预测和标准化的结果。在这种情况下，ML模型可以被设计为纳入组成描述符——如元素比率（例如C/N比率）和功能基团分布作为输入特征，使得能够基于前体的特定化学谱预测产品特性。

机器学习模型可以使用三种主要方法进行训练：监督学习、半监督学习和无监督学习，取决于数据的性质和可用性。在监督学习中，训练数据集由输入-输出对组成，使模型能够学习准确将输入映射到其相应输出的函数。无监督学习则相反，仅处理输入数据，旨在揭示数据集内隐藏的模式、趋势或聚类。半监督学习提供了一个中间立场，当有大量输入数据但标记的输出数据有限时特别有用。在这些方法中，监督学习是最先进和广泛使用的，特别是在物理科学中的机器学习应用中，因为它能够提供精确的输出预测。虽然无监督学习较少使用，但它在探索性数据分析、分类和发现大型复杂数据集中的新颖模式方面发挥着关键作用。 together, these learning strategies empower researchers to derive meaningful insights and a deeper understanding of their data. 近年来，ML已越来越多地纳入CDs的合成中以应对这些挑战（图4）。通过学习实验数据中的模式，ML模型可以预测结果并更有效地指导优化过程，减少实验工作量和材料成本。几项关键研究逐步展示了这种方法的演变。

在一项早期研究中，Han等人通过应用ML技术探索了合成具有增强光学特性的CDs。他们进行了总共391个实验室实验，改变了五个重要合成参数的组合：乙二胺（EDA）的体积、前体质量、反应温度、升温速率和反应时间。记录了范围从0到1的量子产率（QY）。使用XGBoost回归模型（XGBoost-R），他们成功建立了合成条件与所得光学特性之间的相关性。然而，进行数百次实验由于高成本和高低效性是不切实际的。

基于减少实验需求的需要，Senanayake等人在2022年转变了策略，通过从文献中发现的407个例子创建了一个元分析数据库。他们的研究专注于使用柠檬酸结合尿素或乙二胺合成的CDs，旨在识别合成参数对CDs发射颜色和波长的影响。使用人工神经网络（ANNs），他们证明了反应方法、纯化技术和溶剂等因素与发射特性的相关性比反应温度或时间更强。重要的是，他们的工作表明，即使纯粹依赖文献数据集，机器学习也可以是有效的， drastically reducing the need for conducting hundreds of experiments.

类似地，Luo等人通过从广泛的研究中收集151个合成数据点，探索了机器学习在红色CD合成中的应用。这些数据点包括特征，如温度、反应时间、前体类型、质量和其他合成参数。他们的ML模型包括四个主要阶段：XGBoost用于从数据中提取特征，独热编码用于编码提取的特征组合，主成分分析（PCA）用于降维，以及逻辑回归用于最终预测以分类给定合成条件是否会产红色CDs。为了验证所开发模型的实用性，研究人员设计了10个新的CD合成条件，并将模型的预测与实验结果进行了比较。结果证实了模型表现出可靠的预测能力。

最近，Guo等人在2024年引入了一个重大进展，开发了一种机器学习驱动的多目标优化（MOO）策略。与先前专注于单一特性的方法不同，Guo等人旨在同时优化多个特性——特别是光致发光（PL）波长和QY。值得注意的是，在他们的MOO策略的指导下，他们仅进行了63次实验就成功合成了全色荧光CQDs，覆盖从蓝色到红色的发射，所有QY都超过60%。此外，他们的工作揭示了粒径和发射波长之间的线性关系， reinforcing the quantum size effect in CQDs. 他们的研究表明，当与多目标策略结合时，机器学习可以解决复杂的、高维的关系，并以最少的实验实现卓越的材料性能。

使用ML在GSCDs合成中的一个说明性例子由Kannoma等人展示，他们开发了一个基于机器学习的框架，使用蛋壳废物生产具有高QY的CQDs，通过检查各种物理化学参数和前体原子组成的影响。使用他们自己研究中的117个数据点构建了一个数据集，其中每个试验对应三种前体的独特组合。总共考虑了2600种可能的前体组合，从中随机选择117个用于数据集构建。每个试验包括17个输入特征描述前体，如元素组成（%C, %H, %O, %N, %P, %S）、极性和分子表面积（PSA, MSA）、折射率（REF）、氢供体和受体计数、可旋转键计数（RBC）、sp3碳分数、极化率、溶剂化能、分子极化率各向异性（MPA）和分子极化率比（MPR）。所制备CQDs的测量QY值用作输出标签。

在预处理数据集后，训练和评估了六个ML模型——随机梯度下降（SGD）、随机森林（RF）、AdaBoost、Bagging、支持向量回归（SVR）和多层感知器（MLP）。由于其卓越性能（R2 = 0.9764, RMSE = 4.53），随机森林模型被选为预测模型，产生预测QY为83.19%的CQDs。

然而，ML在该领域的应用仍处于早期阶段，并面临几个关键挑战。主要限制之一是可用实验数据的稀缺性和不一致性。许多关于CD合成的报告研究缺乏标准化报告参数，如前体组成、反应温度、时间和合成后处理。此外，表征技术的变化和成功结果的选择性报告 contribute to data bias, leading to reduced model reliability.

另一个重要障碍是开放获取数据集的可用性有限。虽然大型、高质量数据集对于训练和验证ML模型至关重要。这种缺乏集中化、开放访问数据的情况限制了ML模型的可重复性。为了解决这些问题，CD研究社区应努力建立标准化数据报告协议和创建全面、开放访问的数据库。另一个限制是模型过拟合的风险，其中算法在训练数据上表现良好但无法推广到新的实验条件。此外，许多ML算法经常因其缺乏可解释性而受到批评，使得研究人员难以从他们的预测中提取有意义的机制见解。

3. CQDs的传感机制

CQDs的传感机制涉及多种过程，最常见的是静态猝灭效应（SQE）、聚集诱导发射（AIE）和内部过滤效应（IFE）（图5）。在SQE中，荧光团和分析物之间的相互作用导致形成非荧光基态复合物，该复合物吸收能量而不发射光子，导致荧光猝灭。AIE发生在某些荧光团在稀溶液中表现出弱荧光， upon aggregation show enhanced emission due to the restriction of intramolecular rotations and nonplanar configurations that suppress non-radiative decay pathways. IFE是一种非辐射能量转移过程，其中荧光团的激发或发射光谱与分析物的吸收光谱重叠，导致荧光猝灭而无直接化学相互作用。其他机制也有助于基于CQD的传感，包括分子内电荷转移（ICT）、光诱导电子转移（PET）、荧光共振能量转移（FRET）和螯合增强荧光（CHEF）。在ICT中，荧光团包含既电子给体又电子受体单元， enable intramolecular charge transfer. Upon analyte binding, the energetics of the ground and excited states are altered, which modulates the fluorescence response. PET-based sensors consist of a fluorophore and a receptor. When the receptor is unbound, fluorescence is quenched due to electron transfer from the receptor to the fluorophore. Upon analyte binding, the PET process is inhibited, restoring the fluorescence signal. FRET involves non-radiative energy transfer from a donor fluorophore to an acceptor fluorophore. Efficient FRET requires spectral overlap between the donor emission and acceptor absorption and close spatial proximity (typically less than 10 nm). In CHEF, the fluorescence is enhanced through chelation with metal ions.

4. GSCDs在药物传感中的应用

GSCDs在药物领域找到了广泛的应用。这些纳米材料已证明在测定剂型中的各种药物方面具有强大潜力，具有良好的检测限（LOD）和优异的性能用于质量控制。此外，GSCDs已成功用于生物体液中的药物测定，并也已应用于检测环境样品中的药物残留。

一些最近的研究证明了使用CDs作为药物化合物的灵敏和选择性传感器。用分子识别元件（如分子印迹聚合物（MIPs））功能化CDs进一步增强了选择性，使得能够在复杂基质中进行精确量化。例如，Pham等人开发了N-CQDs与MIPs耦合用于选择性检测链霉素。N-CQDs通过绿色微波辅助方法使用山竹果皮作为可持续和低成本的碳源合成。类似地，Chen等人开发了CQDs@MIPs，它将MIPs的特异性和稳定性与CQDs的环境友好性和信号放大能力相结合，使其成为检测环境水样中硝基芬残留的理想选择。Majid等人设计了一种APTES-CQDs@MIPs荧光传感器，使用经济有效的废橙皮，结合分子印迹，用于快速准确检测水样中的甲硝唑。表1总结了GSCDs在药物传感中的一些应用。

除了药物传感，CDs也被探索作为靶向药物递送的载体。表面功能化的CDs可以封装治疗分子，允许控制释放和改进的生物利用度。它们已被研究用于递送抗癌药物，在控制释放和位点特异性靶向方面显示出有希望的结果。

CDs的固有荧光使得能够实时跟踪药物在生物系统内的分布和释放。最近的出版物说明了它们在生物成像引导治疗中的使用，其中CDs既作为治疗载体又作为成像剂。这些双功能CDs facilitate monitoring of pharmacokinetics and therapeutic efficacy, combining sensing and therapeutic functions in a single platform.

然而，尽管有这些有希望的应用，关于采用GSCDs——特别是那些源自生物质的——用于质量控制目的仍然存在 debate。这种担忧源于天然前体的固有变异性，这可能导致GSCDs的特性和可重复性不一致。为了应对这一挑战，将ML集成到合成过程中提供了一种有希望的策略，以最小化这些变化并增强GSCDs基于应用的一致性和可靠性。

5. 结论与未来展望

本综述重点介绍了绿色合成碳点（GSCDs）及其在药物传感中的应用的最新进展。由于其生物相容性、水溶性、光稳定性和强荧光，GSCDs在各种基质中的药物检测方面表现出相当大的潜力。它们的合成通常分为自上而下和自下而上的方法。已采用了各种绿色技术，包括水热法、溶剂热法、微波辅助法、超声波法和化学氧化法。这些方法不仅遵守GAC原则，而且为生产这些荧光纳米材料提供了经济且可持续的策略。

然而，必须解决几个挑战以充分实现GSCDs的潜力。其中包括相对较低的QY以及对其发光行为、表面状态和量子限域效应的不完全理解。在许多情况下，天然前体的不完全碳化导致无定形碳的形成，使纯化过程复杂化。此外，CDs与药物化合物之间相互作用的确切机制仍不清楚，突出了进行深入机制研究的需要。缺乏标准化合成协议也限制了这些材料的可重复性。此外，生物质衍生前体的固有变异性导致GSCDs的不一致性。一个有希望的解决这些挑战的方案在于将ML技术集成到合成过程中。当在合成参数和 resulting properties的数据集上训练时，ML模型可以显著增强GSCDs合成的优化，减少传统方法的试错性质。通过预测不同反应条件对光学特性（如QY和荧光）的影响，ML可以帮助更有效地识别最佳合成参数，从而获得更高质量和可重复性。

GSCDs向现实世界应用的未来过渡需要通过开发成本效益高、大规模和可重复的合成路线来 critical consideration of their industrial scalability. 因此，未来的研究应强调开发标准化和高效的合成方法，以及有效的纯化策略，以确保一致性和高质量生产。提高QY和微调GSCDs的光学特性对于增强其在传感应用中的性能至关重要。此外，对合成途径和与药物分子相互作用机制的更深入理解将为高级应用开辟新途径。将机器学习集成到合成过程中将通过简化优化工作和最小化资源消耗进一步加速进展。此外，监管和安全评估对于工业可扩展