基于MetalAquaAquaDect SERS平台与机器学习联用实现复杂基质中低于2mg/L微塑料和纳米塑料的实时监测

《Journal of Hazardous Materials》：Integrating MetalAquaDect SERS platform: Machine-learning assisted real-time monitoring of sub-2mg/L microplastics and nanoplastics in complex matrices

针对水体中微塑料(MPs)/纳米塑料(NPs)检测灵敏度低、基质干扰大等难题，本研究开发了集成银溶胶SERS基底与LightGBM算法的AquaDect平台，实现了纯水/湖水基质中100nm-100μm、低至2mg/L的多类型塑料颗粒无标记快速检测，分类准确率达94%，为复杂环境样品中微塑料污染实时监测提供创新解决方案。

　　

当塑料污染已成为全球性环境挑战，比米粒更小的微塑料（小于5毫米）和纳米塑料（小于1微米）正通过食物链悄然进入人体。这些看不见的塑料碎片源自日常用品的降解，遍布海洋、淡水甚至大气，对水生生物和人体健康构成潜在威胁。然而，传统检测方法如质谱(MS)会破坏样品，红外光谱(IR)易受水分子干扰，且难以检测液体环境中的微量塑料颗粒。《Journal of Hazardous Materials》发表的研究通过创新性整合表面增强拉曼散射(SERS)技术与机器学习算法，成功打破检测壁垒。

本研究核心采用银纳米颗粒溶胶作为SERS基底，通过扫描电子显微镜(SEM)表征其形貌，并以罗丹明6G(R6G)为探针分子验证基底活性。针对聚苯乙烯(PS)、聚乙烯(PE)、聚丙烯(PP)和聚甲基丙烯酸甲酯(PMMA)四种常见塑料，在纯水与湖水两种基质中系统测试了60-100μm、20μm、5μm及100nm不同尺寸颗粒的检测效果。通过优化样品与银溶胶的体积比和浓度，首次实现无需标记、离心或复杂前处理的直接检测，灵敏度达2mg/L。为提升分类精度，研究结合主成分分析(PCA)、t分布随机邻域嵌入(t-SNE)、均匀流形逼近投影(UMAP)和潜在狄利克雷分布(LDA)等降维技术可视化光谱数据，并对比多种机器学习模型性能。

材料与试剂

研究选用商业化的PS、PE、PP、PMMA颗粒及彩色PE颗粒，通过化学还原法合成银纳米颗粒，并采用SEM/TEM对形貌进行表征。

银纳米颗粒制备与表征

SEM图像显示银纳米颗粒呈分散的球形结构，部分存在聚集现象（图S3a-c），为SERS增强提供必要的"热点"效应。

SERS活性验证

以R6G为探针分子确认基底增强效果后，研究发现微塑料在银溶胶存在下特征峰强度显著提升，且湖水基质未对检测造成明显干扰。

机器学习分类性能

在四类塑料的光谱分类任务中，LightGBM模型以0.94的准确率和F1值显著优于其他算法，对彩色颗粒无需额外校正即可准确识别。

该研究构建的AquaDect平台突破传统方法对液体样本的检测限制，通过银溶胶基底放大微塑料本征拉曼信号，结合LightGBM算法实现聚合物类型与尺寸的精准判别。尤为重要的是，该平台在复杂环境样品中保持94%的分类精度，且无需重新训练即可适应新污染物检测。这种无标记、免前处理的技术路径为微塑料污染原位监测提供可推广的解决方案，通过简单扩充训练数据集即可扩展至新兴塑料污染物的快速筛查。