6月16日，江苏大学张祯教授课题组在Environmental Science & Technology Letters发表了题为“Chromium Speciation Monitoring Platform for Drinking Water: Machine Learning-Assisted Dual-Emission Fluorescence Sensor Array”的研究论文，开发了一种新型双发射荧光传感器阵列，用于高选择性、高灵敏度的铬形态分析。
环境水体中的铬污染是一个被广泛讨论的典型问题。铬元素具有多种价态，其不同氧化态对地下水造成的危害程度各异。Cr(III)和Cr(VI)在环境中存在时均对动植物有害。因此，开发新方法以识别地下水中的铬形态十分必要。目前仪器分析是主要检测手段，但其存在前处理要求高、耗时长、成本较高等局限。近年来，荧光探针法被广泛应用于环境污染物检测，虽能实现高灵敏度和稳定信号，但多数方法难以区分铬形态。如何通过简易流程实现铬形态的荧光同步分析仍具挑战性。随着机器学习的发展，机器学习辅助荧光法在结构高度相似的多目标物检测中展现出巨大潜力，尤其是层次聚类分析（HCA）和线性判别分析（LDA）。
饮用水中不同铬形态对人类健康的风险等级各异，仅通过总铬分析无法反映真实环境影响。本研究融合机器学习技术，开发了一种新型荧光传感器阵列，仅需过滤处理即可实现铬形态的快速识别与定量检测。该系统制备了具有双发射波长的三组分荧光杂化材料（MSN@Zr@Au和MSN@Zr@AgAu），其双模式传感单元对铬形态具有特异性，能在11种共存阳离子中准确识别铬形态。LDA算法辅助HCA分析显著提升了实际样品中铬形态的选择性识别能力。该方法在1-60 μM范围内表现出良好分析性能，检测限低至1.29 μM，为饮用水和自来水中的铬形态分析提供了实用监测平台。
声明：本公众号仅用于分享前沿学术成果，无商业用途。如涉及侵权，请联系公众号后台删除！
