提升对砷污染的应急响应能力：利用机器学习驱动的荧光传感器阵列实现砷形态的快速同步识别

《Environmental Science & Technology》：Enabling Emergency Response to Arsenic Contamination: Simultaneous and Rapid Identification of Arsenic Speciation by a Machine Learning-Driven Fluorescent Sensor Array

砷形态快速检测新方法：基于Fe-MOF荧光传感器阵列与机器学习联用技术，成功合成NH2-MIL-88(Fe)和OH-MIL-88(Fe)两种材料，通过不同砷形态（As(III)、As(V)、MMA(V)、DMA(V)）对荧光强度的差异性响应，结合模式识别和机器学习算法，建立四步递进预测模型，并验证其在实际水样中的应用效果。

　　

快速识别砷的形态对于评估其毒性以及在水污染事件中指导应急响应至关重要，但这仍然是当前分析方法面临的一个重大挑战。本文设计了一种新型的机器学习驱动荧光传感器阵列，用于区分四种砷形态：亚砷酸盐（As^III）、砷酸盐（As^V）、一甲基砷酸（MMA^V）和二甲基砷酸（DMA^V）。通过分别用2-氨基对苯二甲酸和2-羟基对苯二甲酸对MIL-88（Fe）进行功能化处理，制备了两种基于铁的发光金属有机框架（NH₂-MIL-88(Fe)和OH-MIL-88(Fe)），这两种材料均表现出良好的荧光性能。值得注意的是，不同的砷形态能够显著调节NH₂-MIL-88(Fe)和OH-MIL-88(Fe)的荧光强度，进一步通过模式识别方法对这些变化进行了分析，从而开发出一种能够快速、同时识别四种砷形态及其混合物的荧光传感器阵列。此外，还利用机器学习算法与荧光传感器阵列结合，建立了一个逐步预测模型，以精确识别和预测这四种砷形态，该模型已成功应用于实际水样分析中。因此，我们的研究成果提供了一种稳健、快速且智能的砷形态识别平台，为水质评估和应急响应提供了强大的工具。