详细内容或原文请订阅后点击阅览
机器学习能力为检测土壤污染物的新方法
Silvia Cernea Clark由莱斯大学和贝勒医学院的研究人员组成的团队制定了一项新的战略，用于识别土壤中有害污染物的危险，甚至从未在实验室中隔离或研究的污染物。在美国国家科学院论文集发表的一项研究中描述的新方法，[…]
来源:ΑΙhubSilvia Cernea Clark
莱斯大学和贝勒医学院的一组研究人员制定了一种新的策略，以识别土壤中的有害污染物，即使是从未在实验室中被隔离或研究的污染物。
在美国国家科学院论文集发表的一项研究中描述的新方法使用基于光的成像，化合物光标志的理论预测和机器学习（ML）算法（ML）算法来检测有毒化合物，例如多环状芳族氢碳纤维（PAHS）及其衍生物化合物（PACS）。 PAHS和PAC的常见副产品与癌症，发育问题和其他严重的健康问题有关。
一项已发表的研究识别土壤中的污染物通常需要先进的实验室和可疑污染物的标准物理参考样品。但是，对于许多构成公共卫生风险的环境污染物，没有可用于检测它们的实验数据。
“这种方法可以识别尚未通过实验隔离的化学物质，”赖斯大学教授兼斯坦利·C·摩尔电气和计算机工程教授娜奥米·哈拉斯（Naomi Halas）说。
naomi halas 大学教授新方法使用一种称为表面增强拉曼光谱的基于光的成像技术，该技术分析了光与分子相互作用，跟踪独特的模式或光谱，它们会发出。光谱是每种化合物的“化学指纹”。通过使用旨在增强光谱中相关性状的签名纳米壳来完善该技术。
使用密度函数理论⎯一种计算建模技术，可以预测原子和电子在分子中的行为方式⎯研究人员根据化合物的分子结构计算了整个PAH和PAC的光谱。这使他们能够为PAHS和PACS生成“指纹”的虚拟库。
Thomas Senftle