在《环境科学与技术》杂志在线发表的一项新研究中，德克萨斯 A&M 大学的研究人员使用机器学习来评估金属纳米粒子的显着特性，这些特性使它们更容易被植物吸收。研究人员表示，他们的算法可以表明植物在根和芽中积累了多少纳米颗粒。
虽然近年来纳米技术大大提高了作物产量，但对新鲜农产品和谷物中纳米颗粒所带来的健康风险的担忧也有所增加。特别是，通过灌溉、肥料和其他来源进入土壤的纳米颗粒引起了人们对植物是否吸收这些微小颗粒足以引起毒性的担忧。
在《环境科学与技术》杂志在线发表的一项新研究中，德克萨斯 A&M 大学的研究人员使用机器学习来评估金属纳米粒子的显着特性，这些特性使它们更容易被植物吸收。研究人员表示，他们的算法可以表明植物在根和芽中积累了多少纳米颗粒。
纳米粒子是多个领域的新兴趋势，包括医学、消费品和农业。根据纳米颗粒的类型，一些具有良好的表面特性、电荷和磁性等特征。这些品质使它们成为许多应用的理想选择。例如，在农业中，纳米颗粒可用作抗菌剂以保护植物免受病原体侵害。或者，它们可用于与肥料或杀虫剂结合，然后通过编程缓慢释放以增加植物吸收。
这些农业做法和其他做法，如灌溉，会导致纳米颗粒在土壤中积聚。然而，由于地下可能存在不同类型的纳米粒子，以及数量惊人的陆生植物物种，包括粮食作物，目前尚不清楚纳米粒子的某些特性是否使它们更容易被某些植物物种吸收。其他。
“你可以想象，如果我们必须测试每个植物物种的每个纳米粒子的存在，那将是大量的实验，非常耗时且昂贵，”马兴茂副教授“塞缪尔”说。 Zachry 土木与环境工程系。“给你一个想法，单是银纳米粒子就可以有数百种不同的尺寸、形状和表面涂层，因此，对每一种进行实验测试，即使是针对单一植物物种，也是不切实际的。”
相反，在他们的研究中，研究人员选择了两种不同的机器学习算法，人工神经网络和基因表达编程。他们首先在一个数据库上训练这些算法，该数据库是根据过去对不同金属纳米粒子及其积累的特定植物的研究而创建的。特别是，他们的数据库包含不同纳米粒子的大小、形状和其他特征，以及这些粒子有多少从土壤或富含营养的水中吸收到植物体内的信息。
一旦经过训练，他们的机器学习算法就可以正确预测给定金属纳米颗粒在植物物种中积累的可能性。此外，他们的算法表明，当植物处于营养丰富或水培的溶液中时，金属纳米颗粒的化学组成决定了根和芽中积累的倾向。但如果植物在土壤中生长，土壤中有机质和粘土的含量是纳米颗粒吸收的关键。
Ma说，虽然机器学习算法可以对大多数粮食作物和陆生植物进行预测，但它们可能还没有为水生植物做好准备。他还指出，他研究的下一步将是研究机器学习算法是否可以预测纳米颗粒从叶子而不是通过根部的吸收。
“人们担心他们的水果、蔬菜和谷物中存在纳米粒子是完全可以理解的，”Ma说。“但与其完全不使用纳米技术，我们希望农民能够获得这项技术提供的许多好处，同时避免潜在的食品安全问题。
故事来源：
材料由德州农工大学提供。由 Vandana Suresh 原创。注意：内容可以根据样式和长度进行编辑。
Reference:
- Xiaoxuan Wang, Liwei Liu, Weilan Zhang, Xingmao Ma. Prediction of Plant Uptake and Translocation of Engineered Metallic Nanoparticles by Machine Learning. Environmental Science & Technology, 2021; 55 (11): 7491 DOI: 10.1021/acs.est.1c01603
原创文章，作者：ifyoung，如若转载，请注明出处：https://www.drugfoodai.com/ml-food-nanoparticles.html
注意：本站原创指的是原创编译，并不主张对所介绍的工作的版权，如有侵权，请联系删除！
微信扫一扫 
支付宝扫一扫 相关推荐
-
Food Chem：基于机器学习和智能手机图像分析的四环素荧光检测
今天介绍一篇由伊朗德黑兰大学新科学与技术学院生命科学工程系的Maryam Mousavizadegan等人于2022年10月发表在Food Chemistry（IF=9.231）上的文章。文中使用机器学习（ML）算法开发了一种快速检测四环素（TC）的方法。
-
食品安全中的人工智能技术: 基于行为数据的方法
今天介绍一篇由加拿大圭尔夫大学Arrell食品研究所Katya Kudashkina等人于2022年5月发表于 Trends in Food Science & Technology （IF：12.56）的一篇文章。文中所述，食品安全管理系统(FSMSs)提供了一个包括程序、培训和监控的综合策略，以防止食品安全危害，并将风险和召回降至最低。FSMSs的有效性和效率通过对滞后指标和领先指标的加强而提高。本篇文章展示了AI如何利用行为数据来开发食品安全的领先指标。
-
海南大学姜珂副研究员：用于化学动力学/饥饿协同癌症治疗的智能异质结芬顿催化剂的开发
近日，海南大学姜珂副研究员与山东大学李春霞教授合作，采用构筑异质结的策略，联合葡萄糖氧化酶（GOx），揭示了芬顿/级联酶促反应的协同抗癌机制。相关成果以题为“Development of an Intelligent Heterojunction Fenton Catalyst for Chemodynamic/Starvation Synergistic Cancer Therapy”发表在国际学术期刊《Journal of Materials Science & Technology》（IF=10.319）。海南大学倪伟舒硕士、姜珂副研究员为该论文的共同第一作者，海南大学姜珂副研究员、张玲副教授和山东大学李春霞教授为该论文的通讯作者。
-
利用PredRet中的数据准确预测保留时间并应用于食品生物活性成分分析
今天介绍一篇法国克莱蒙费朗大学前段时间发表在food chemistry上的一篇文章。该研究在24个色谱系统分析的467种化合物种测试了PredRet预测植物食品生物活性成分在色谱柱中保留时间的表现。
-
我的食物安全吗？ – 基于人工智能的含有微量的麸质或坚果的小扁豆粉样品分类
今天介绍一篇由Sandra Pradana-López等人于2022年8月发表在Food Chemistry上的文章。本文提出了一种基于人工智能的实时快速检测掺杂扁豆粉的方法。将“无麸质”小扁豆粉与小麦粉或开心果粉混合，然后，拍摄纯的和受污染的小扁豆粉的数字图像，并用于训练基于转移学习的模型（即ResNet34），该模型旨在根据小麦和开心果含量对图像进行分类。本文获得的结果旨在作为概念验证，以评估数字成像与深度学习技术相结合的食物过敏原检测的真正潜力。
-
使用机器学习方法评估草莓树果实提取物在粉剂及溶剂系统中的稳定性
今天给大家介绍一篇由Astraya等人合著，于前段时间发表在Food Chemistry上的一篇研究型文章。文章中作者为了模拟酚类化合物在不同储存条件下的降解动力学，建立了3种机器学习模型。
-
重磅干货：食品科学数据库资源汇总（国外篇第二部分）
书接上期，我们分享了一系列国内的食品数据库资源和一部分国外食品专业数据库。这些数据库主要对食品添加剂的安全、食品成分、食品营养和食品酶等方面进行了数据分析与平台搭建。下面继续介绍几篇相关的食品数据库文章。
-
人工智能和机器学习在食品行业的机遇
今天介绍一篇近期由印度Graphic Era Hill University的Indrajeet Kumar等人发表于Journal of Food Quality的文章。文中通过文献对智慧农业、食品加工业中的人工智能、数据分析在食品行业中的作用、餐厅业务中的机器学习、食品安全中的人工智能进行了研究，并分析了人工智能和机器学习在食品行业的未来发展情况。
-
Food Chem|衰减全反射-傅立叶变换红外光谱结合化学计量学快速检测椰子水掺假
该文研究了衰减全反射-傅立叶变换红外光谱(ATR-FTIR)与化学计量学相结合，作为一种快速检测椰子水中掺糖的方法。
-
TRENDS FOOD SCI TECH|光谱技术结合深度学习方法在食品品质检测中的应用
浙江大学生物系统工程与食品科学学院应义斌教授课题组在食品顶级期刊《Trends in Food Science & Technology》发表综述《Food and agro-product quality evaluation based on spectroscopy and deep learning: A review》。该文讨论了传统化学计量学方法在提高模型性能、处理复杂结构的光谱噪声以及全局回归、局部回归和模型传递上的一些局限性。
