中科院成都生物所联合研究EST｜机器学习驱动的电化学生物传感器选择性定量监测水体有毒污染物

转 自：土壤化学

电活性生物膜（ EAB ）传感器因其卓越的灵敏度而成为水质检测和早期生态风险预警的关键。然而，目前同时识别复杂水体中的多种毒物是一项挑战。本研究开发了一种结合机器学习的创新生物传感器检测策略。为了同时量化和定性预测多毒物系统中每种毒物的存在，我们通过分析各种毒物（ Cd ²⁺ 、 Cr ⁶⁺ 、三氯生和三氯乙酸）的电化学毒性响应参数，开发了一种基于 EAB 机器学习分析的预测模型（ MEA-ANN ）。此外，利用平均影响值过滤毒物的特征响应参数，提高了模型的预测精度和效率。优化后的模型（ OMEA-ANN ）在预测含有类似物的干扰系统中目标毒物方面表现出色性能。使用七个真实水样和加标天然水样验证了该模型的实用性和可行性，模型预测结果的准确度均能达到 R ² > 0.9 。本文提出的新型、环保和智能的水生态风险预警策略，突破了传统 EAB 传感器的局限性，拓展了 EAB 传感器在对水中多种毒物检测的适用性，大大提升了其在水质监测中的作用，为污水智能管理提供了宝贵的参考。

图 1 机器学习驱动电化学生物传感器选择性定量监测水体有毒污染物的机制示意图

文献题录 :

Wang, J.; Huang, D.; Zheng, D.; Shen, F.; Zhang, Y., Selectively quantify toxic pollutants in water by machine learning impowered electrochemical biosensors. Environmental Science & Technology 2024.

原文链接 :

https://doi.org/10.1021/acs.est.4c09156.

（ 该材料由胡世文整理 ）