受生物启发的等离子体金纳米结构用于地下水中的可持续、现场可部署的砷检测，并结合机器学习辅助进行量化分析

《Sensors and Actuators A: Physical》：Bio-Inspired Plasmonic Gold Nanostructures for Sustainable, Field-Deployable Arsenic Detection in Groundwater with Machine Learning-Assisted Quantification

本研究开发了一种基于金纳米颗粒（GNPs）和半胱氨酸（CA）的可持续纳米传感器，结合智能手机辅助的机器学习系统，实现饮用水中砷污染的高灵敏度（检测限0.001 ppm）快速检测。通过颜色变化（红→蓝）和机器学习模型（SVM/决策树）分析光谱数据，该平台兼具便携性、成本低和现场适用性，显著优于传统检测方法。

　　

Lalita Kumari|Somsukla Maiti|Soumen Mandal|Samik Dutta|Soumen Sen|Nripen Chanda

以人类为中心的机器人与控制论研究小组，CSIR-中央机械工程研究所，MG大道，Durgapur 713209，印度

摘要

饮用水中的砷污染由于具有致癌性和毒性，对全球健康构成了严重威胁。传统的现场检测方法，如定性比色测定和基于Gutzeit的测试试剂盒，受到量化精度低和依赖危险试剂的局限。本文介绍了一种可持续的、可在现场使用的砷检测平台，该平台使用经过生物活性配体半胱胺（CA）修饰的金纳米粒子（GNPs），形成了一种纳米传感器（GNP@CA），并与智能手机辅助的机器学习系统集成。这种受生物启发的半胱胺配体模拟了天然配体-金属相互作用（例如金属蛋白中的半胱氨酸），从而对砷具有强烈的亲和力，其灵敏度比现有的基于纳米粒子的传感器提高了100多倍，检测限达到0.001 ppm，并且在不同浓度下表现出明显的比色变化。为了实际应用，通过将GNP@CA吸附到β-环糊精上，制备了一种便携式纳米传感器片剂，实现了可靠的现场使用和快速视觉检测。对于定量分析，支持向量机（SVM）和决策树模型能够解释微妙的光谱变化。基于机器学习的预测结果与原子吸收光谱（AAS）高度一致，R²值为0.98688，均方误差（MSE）较低，这证明了模型的可靠性。本研究通过整合可持续的纳米技术和数据驱动的分析方法，提供了一种成本效益高、便携且可扩展的实时砷监测平台。

部分内容摘录

引言

地下水中的砷污染是一个严重的全球健康问题，在包括阿根廷、孟加拉国、柬埔寨、中国、印度、墨西哥、尼泊尔以及美国多个地区在内的50多个国家都发现了高浓度的砷污染，影响了超过2亿人[1]，[2]。特别值得关注的是亚砷酸盐（As^III）的存在，这种形式的砷毒性更强且更易迁移，会干扰细胞和酶的功能，导致严重的健康问题。

材料

氢四氯金(III)三水合物（HAuCl₄.3H₂O）和柠檬酸钠（C₆H₅Na₃O₇.2H₂O）、半胱胺（C₂H₇NS）、三价砷溶液以及β-环糊精均购自美国/瑞士的Sigma-Aldrich公司。硫辛酸（C₈H₁₄O₂S₂）购自印度的Himedia公司。氢氧化钠（NaOH）购自德国的Merck公司。在整个实验过程中，始终使用Merck Milli-Q纯化系统提供的分析级化学品、溶剂、金属离子、盐类和去离子水。

仪器设备

纳米传感器（GNP@CA）的特性与稳定性

GNP@CA纳米传感器的合成包括一个连续的化学偶联过程，首先用硫辛酸（TA）修饰金纳米粒子（GNPs），然后连接半胱胺（CA），后者作为砷的结合位点。半胱胺是一种存在于哺乳动物细胞中的内源性氨基硫醇，具有胺基（-NH?）和硫醇基（-SH）两种官能团，使其成为砷结合的理想配体[24]。在第一步中，使用柠檬酸稳定的GNPs...

结论

由于砷的不可见性以及需要准确的现场分析，从受污染的水中检测砷仍然是一个关键挑战。开发的GNP@CA纳米传感器提供了一种高灵敏度、选择性和快速的比色方法，利用砷离子与半胱胺中的硫醇基之间的强亲和力诱导纳米粒子聚集并产生从红色到蓝色的颜色变化。这种可见的颜色变化直接与砷的浓度相关，实现了...

CRediT作者贡献声明

Soumen Sen：项目管理。Nripen Chanda：撰写初稿、验证、监督、资源协调、调查、资金获取、正式分析、概念构思。Lalita Kumari：验证、方法学研究、数据整理。Somsukla Maiti：数据可视化、软件开发、调查、正式分析。Soumen Mandal：撰写与编辑。Samik Dutta：软件开发。

利益冲突声明

作者声明他们没有已知的可能会影响本文所述工作的财务利益或个人关系。

致谢

本研究得到了科学技术部-SERB/ANRF项目（编号GAP-244712，CRG/2023/004480）的资助。作者感谢CSIR-CMERI（Durgapur）的Naresh Chandra Murmu博士在机构支持和鼓励方面的帮助。同时，作者也感谢CSIR-CMERI CRF团队在FESEM研究方面的支持，以及Jaipur的MNIT MRC在TEM和XPS研究方面的协助。

利益冲突

不存在需要声明的利益冲突。

Lalita Kumari毕业于毛拉纳·阿布勒·卡拉姆·阿扎德科技大学（MAKAUT，前称西孟加拉科技大学WBUT）的土木工程专业，随后在印度贾坎德中央大学获得了水工程与管理专业的硕士学位。她目前正在CSIR-中央机械工程研究所（CMERI，Durgapur）举办的科学与创新研究学院（AcSIR）攻读博士学位。