今天介绍一篇由中国农业科学科院油料作物研究所李培武院士团队于2023年8月发表在国际学术期刊Journal of Hazardous Materials（IF=13.6）上的题为“A smartphone-powered photoelectrochemical POCT via Z-scheme Cu2O / Cu3SnS4 for dibutyl phthalate in the environmental and food”的文章。中国农业科学院油料作物研究所张兆威研究员为论文通讯作者。
今天介绍一篇由中国农业科学科院油料作物研究所李培武院士团队于2023年8月发表在国际学术期刊Journal of Hazardous Materials（IF=13.6）上的题为“A smartphone-powered photoelectrochemical POCT via Z-scheme Cu2O / Cu3SnS4 for dibutyl phthalate in the environmental and food”的文章。中国农业科学院油料作物研究所张兆威研究员为论文通讯作者。
为了更好的对环境监测和食品安全领域中复杂样本基质中的邻苯二甲酸二丁酯(DBP)进行检测，首次通过制备Cu2O / Cu3SnS4纳米花并将其作为光活性材料的方法，构建了基于智能手机的光电化学（PEC)即时检测(POCT)。过程发现Cu2O和Cu3SnS4之间能级的有效匹配加速了光生电子-空穴对的转移，显著提高了智能PEC POCT性能；并通过密度泛函理论计算，新型Cu2O/Cu3SnS4被证明是Z型异质结，在修饰电极上实现了竞争性免疫分析，显著降低了光电流信号，增强了POCT灵敏度；同时，智能手机被用于记录和传输PEC结果。在优化条件下，评估了线性范围、检测限、稳定性、重复性、再现性和选择性。使用湖水和大豆油作为样品与GC-MS方法进行比较。
2. 基于3CO/CTS，开发了基于智能手机的光电化学(PEC)即时检测(POCT)平台；
3.可广泛应用于环境快速监测和食品安全筛查；
( M ) 3CO / CTS异质结的HRTEM图像。( N ) 3CO / CTS的元素映射。
图3 .( A) Cu3SnS4、Cu2O、3CO / CTS在PBS (pH=7.4)中的光电流响应。( B ) Cu3SnS4、Cu2O、3CO / CTS的EIS图谱。( C ) Cu3SnS4、2CO / CTS、3CO / CTS、5CO / CTS、10CO / CTS在PBS (pH=7.4)中的光电流响应。( D ) Cu3SnS4、2CO / CTS、3CO / CTS、5CO / CTS、10CO / CTS的EIS图谱。
图4 .( A ) Cu3SnS4 ( 001 )原子结构模型的俯视图和正视图。( B ) Cu2O ( 100 )原子结构模型的俯视图和正视图。计算了( C ) Cu2O。( D ) Cu3SnS4的态密度。计算( E ) Cu2O，( F ) Cu3SnS4的静电势。
图5 .智能PEC POCT方法的评价结果：( A )依赖于不同DBP浓度的PEC结果，( B )校准曲线，( C )重复性，( D )再现性和( E )选择性。
图6用于DBP检测的PEC POCT平台的制作程序。
本研究为水溶性和脂溶性基质中邻苯二甲酸二丁酯（DBP）检测提供了一个实用的新型智能PEC POCT平台。对于环境检测和食品安全领域中的复杂基质样品，PEC POCT表现出优异的灵敏度值、低检测限和宽线性范围。在优化条件下，DSP的检测在实际样品中，表现出令人满意的线性范围( 0.04 ~ 400 ng / m L)和7.94 pg / mL的低检测限。使用湖水和大豆油作为样本，与GC-MS结果进行比较，表现出优异的稳定性、重复性、再现性和选择性。该PEC POCT系统在测定水和食用油样品中的DBP时具有良好的性能和实用性，具有具有便携性、实用性和可靠性，可广泛应用于环境快速监测和食品安全筛查，在环境和食品安全领域具有广阔的应用前景。
微信号｜FoodAI
合作/投稿｜jiedong@csu.edu.cn
yunyonghuan@hainanu.edu.cn
原创文章，作者：ifyoung，如若转载，请注明出处：https://www.drugfoodai.com/smartphone-poct.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
-
智能食品加工：从人工神经网络到深度学习的旅程
人工神经网络在食品加工中的应用方面取得了巨大成功，如食品加工过程中分级、安全和质量检查等。今天给大家介绍一篇来自印度的一篇发表在Computer Science Review上的题为《智能食品加工：从人工神经网络到深度学习的旅程》一篇综述，该文分三个单元介绍给大家：（一）智能食品加工中的各类人工神经网络、（二）基于人工神经网络（ANN）的智能食品加工、（三）基于深度学习（DL）的智能食品加工。本文介绍综述中的第一个单元:（一）智能食品加工中的各类人工神经网络。
-
混合计算智能算法及其在食品质量检测中的应用
今天介绍一篇由Lavika Goel等人近期发表在Artificial Intelligence Review上的论文。作者介绍了各种用于发现食物变质的图像分割技术，并开发了新颖的混合算法并进行了验证和比较，最后展望了今后的应用场景。
-
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。
-
Food Control|基于改良内聚稳定同位素比值的燕窝真实性鉴别与定量
该文针对食用燕窝（EBN）中稳定同位素比值(δ13C、δ15N、δ18O、δ2H)的高离散性，建立了一种既能定性和又能定量的方法来检测掺入唾液酸、蛋清和食用胶的掺假EBN。通过建立数据处理公式来提高样品同位素比值的内聚性，利用该公式建立欧式距离方程。通过计算欧氏距离建立判别式，预测准确率在95.80% ~ 99.97%之间。此外，建立了3个方程对EBN中掺假物质的含量进行定量分析，相对标准偏差在1.34% ~ 6.31%(n = 6)之间。应用所建立的方法，测得12个实样中有2个样品分别掺入了3.9%的唾液酸和2.9%的蛋清。
-
FOOD CHEM|海南大学云永欢课题组：高光谱成像技术结合数据融合的罗非鱼鱼片新鲜度快速检测研究
该文研究了两种波段范围的高光谱成像系统（可见-近红外光谱（Vis-NIR）和近红外光谱（NIR））在冷藏期间测定罗非鱼鱼片中挥发性盐基氮（TVB-N）含量的潜力。利用Vis-NIR和NIR数据，建立了高光谱图像中罗非鱼鱼片平均光谱与其TVB-N含量之间的校正模型，并采用数据融合和多种变量选择方法对模型进行优化。最后，采用优化的模型来实现罗非鱼鱼片中TVB-N含量的可视化分布。结果表明，高光谱成像技术结合数据融合和变量选择等化学计量学方法在罗非鱼鱼片新鲜度无损评价分析中具有可行性。
-
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。
-
基于比色条形码组合和深度卷积神经网络的便携式食品新鲜度预测平台
今天介绍一篇来自江南大学，于2020年底发表在Advanced Materials上的一篇论文。该研究将可交叉反应的比色条形码组合和深度卷积神经网络（DCNN）结合在一起，形成了一个用于监控肉类新鲜度的系统，总体准确性为98.5％。
-
Nature Food | 机器学习支持的无损纸质显色传感器检测食物中的污染源
这篇文章主要的研究目的是为了解决食物污染源的检测和识别中存在的问题。本文的最主要的创新点便是使用了神经网络作为数据处理方法，从而解决了使用PCA检测的问题。当然这篇文章同样值得我们学习的还有对于项目的深化，最终做到了实际应用的场景。
-
Nutrients：eBASIS数据库中的可提取和不可提取抗氧化剂成分：人类健康和疾病研究中膳食评估的关键工具
今天介绍一篇由Jenny Plumb等人于2020年11月在线发表在Nutrients（IF=6.71）上的文章。这篇文章讨论了eBASIS数据库的更新，该数据库包括可提取和不可提取的抗氧化剂，这对于评估食物基质的抗氧化性质及其与人类健康的相关性非常重要。文章还介绍了非可提取多酚的重要性、测量食物和膳食补充剂中抗氧化活性/容量的各种方法、维护和更新食物成分数据库的重要性以及相关挑战。总体而言，文章强调了需要标准化的方法和数据库来准确评估我们饮食中的生物活性化合物及其潜在的健康益处
-
中国人民公安大学侦查学院姜红课题组：基于拉曼光谱和机器学习算法的沙门氏菌快速鉴定
本研究针对三种最具致病性的沙门氏菌血清型，使用拉曼光谱获取其光谱数据，选择适合解决多分类问题的卷积神经网络（CNN）对拉曼光谱数据进行深入挖掘和分析。比较了五种光谱预处理方法，Savitzky-Golay平滑（SG），多元散射校正（MSC），标准正态变量（SNV）和希尔伯特变换（HT）对CNN模型预测能力的影响。采用准确度（ACC）、精度、召回率和F1得分 4种机器学习评价指标来评估不同预处理方法下的模型性能。
