Anal. Chem. 弱化学反应光散射分析方法的建立

   近日，西南大学黄承志教授团队报道了一种基于机器学习的弱散射信号测量方法，实现了金属纳米颗粒散射微弱光反应的实时监控，有效监测了银纳米颗粒（AgNPs）在水中的缓慢氧化过程，实现了微量汞的有效检测。分析化学家通常以搭建新型功能设备或器件、制备新型试剂来提高分析测量的灵敏度。

    尽管如此，有些表面上看起来不干扰的反应可能因为反应慢、信号弱，特别是当与其他快速反应共存时而很容易被忽视。

    针对这一研究难题，本文报道了一种基于机器学习的弱化学反应光散射分析方法，利用机器学习技术找出隐藏在数据背后的规律。

    该论文的基本思想是借助数据分析，通过使用机器学习来构建数据误差分析和校准模型，从与噪声和其他反应共存的数据中获取弱反应信息，实现了纳米探针散射信号的自动校准，大大提高了暗场显微镜（DFM）成像下散射光测量的置信度，使得 DFM 用于有效监测不明显或微弱的反应现象（图 1）。

    图 1. 基于机器学习的弱反应光散射信号检测作者首先提出 DFM 成像的校准模型（图 2）。

    等离子体纳米颗粒的光散射测量常使用 DFM 成像技术来实现，由于成像设备和人工操作造成不可避免的测量误差，会导致 DFM 成像分析出现偏差和波动，从而影响 DFM 成像的精度和灵敏度，是高灵敏检测的技术障碍。

    为了对 DFM 成像进行标定，提高成像精度，作者使用基于机器学习的时间序列预测模型和卡尔曼滤波器对 DFM 成像进行校准，采用分析数据规律，以消除仪器或人工操作造成的误差，得到尽可能真实的成像数据。

    图 2. 校准模型的流程图作者将该方法用于监测 AgNPs 的氧化过程（图 3）。

    AgNPs 在空气中的氧化会导致其散射光强度的降低，而水溶液中的溶解氧同样会导致 AgNPs 的缓慢氧化。由于 AgNPs 缓慢氧化所造成的散射光变化缓慢、甚至不明显。

    由于环境干扰，不可避免地出现观察误差，很难通过 DFM 观察到这一氧化过程。因此，由溶解氧引起的 AgNPs 氧化反应常被忽略。

    为此，作者使用时间序列预测校准模型，获得了有关溶液中 AgNPs 缓慢氧化过程的实时信息。

    图 3. 校准 AgNPs 氧化反应的散射成像，实现弱氧化反应的有效监测此外，AgNPs 常用于检测溶液中的 Hg²⁺。

    研究发现，当存在较高浓度 Hg²⁺ 时，AgNPs 散射光的颜色或强度发生显著变化，但当 Hg²⁺ 离子浓度很低时，AgNPs 和 Hg²⁺ 反应所引起的散射光信号变化则变得非常微弱，特别是当 Hg²⁺ 离子浓度为 10⁻¹⁰ mol/L 时，已经无法有效地观察到散射光的明显变化。

    试验证明，使用所构建模型可以更好地检测低浓度汞离子，实现对汞离子的高灵敏度检测（图 4）。

    图 4. 使用散射信号实现汞离子的高灵敏检测综上，本文提出一种基于机器学习的弱化学反应光散射分析方法。

    首次提出了利用时间序列预测模型和卡尔曼滤波器来提高 DFM 成像的精度和置信度。

    有效地监测 AgNPs 在水中的弱氧化过程以及 AgNPs 与稀释的汞溶液之间不明显的汞齐化反应。表明此方法可以用于弱化学反应和许多不明显的缓慢反应的光散射信号分析。

来源：ACS美国化学会