Nowoczesna detekcja melaminy w mleku z wykorzystaniem spektroskopii SERS i uczenia maszynowego

Artykuł naukowy "Machine learning-enhanced SERS detection of melamine and its analogues in non-pretreated milk via filter-pressing assembled polytetrafluoroethylene-AgNPs substrate" przedstawia innowacyjną metodę szybkiego i czułego wykrywania melaminy oraz jej analogów w mleku bez konieczności wstępnej obróbki próbki. Problem zanieczyszczenia mleka melaminą, będący skutkiem nielegalnych dodatków, skażeń opakowań czy pozostałości pestycydów, stanowi poważne zagrożenie dla bezpieczeństwa żywności, co wymaga efektywnych i łatwo dostępnych metod detekcji.

Innowacyjne podejście do detekcji melaminy

Tradycyjne techniki analityczne, takie jak chromatografia czy spektrometria mas, mimo wysokiej precyzji, są ograniczone w zastosowaniach terenowych ze względu na skomplikowaną i czasochłonną procedurę oraz wysokie koszty. W odpowiedzi na te wyzwania, badacze zaproponowali zastosowanie spektroskopii powierzchniowo-wzmocnionej Ramana (SERS), która umożliwia szybkie, czułe i bezznakowe analizy. W pracy opisano prostą metodę przygotowania podłoża SERS, polegającą na mieszaniu koloidu srebra z NaOH i NaCl, które następnie jest nanoszone na membranę PTFE przez nacisk filtracyjny. Tak otrzymane podłoże politetrafluoroetylenowo-srebrne (PTFE-AgNPs) pozwala na bezpośrednie testowanie rozwodnionego mleka bez potrzeby jakiejkolwiek wstępnej obróbki.

Integracja uczenia maszynowego w analizie danych SERS

Kluczowym elementem metody jest zastosowanie zaawansowanych algorytmów uczenia maszynowego do analizowania sygnałów SERS. Autorzy porównali trzy podejścia: las losowy (Random Forest, RF), kombinację analizy głównych składowych z maszyną wektorów nośnych (PCA-SVM) oraz konwolucyjne sieci neuronowe (CNN). Spośród nich, sieci CNN osiągnęły najwyższą skuteczność klasyfikacji na poziomie 99,25% w rozróżnianiu melaminy, ammeliny, ammelidu oraz próbek kontrolnych. Model regresyjny CNN wykazał doskonałe dopasowanie do ilościowego oznaczenia melaminy, z współczynnikiem determinacji R² równym 0,9999.

Praktyczne znaczenie wyników i potencjał zastosowań

Metoda charakteryzuje się wyjątkowo niskim poziomem detekcji melaminy w mleku (3,32 × 10^-6 M), który jest poniżej granicy ustalonej przez Światową Organizację Zdrowia (WHO). Dzięki prostocie przygotowania podłoża oraz eliminacji konieczności wstępnego przygotowania próbek, technika pozwala na szybkie, efektywne i przyjazne środowisku monitorowanie bezpieczeństwa mleka i produktów mlecznych. Przedstawione rozwiązanie ma potencjał do szerokiego zastosowania w kontroli jakości żywności, wspierając rozwój technologii SERS zintegrowanej z uczeniem maszynowym jako standardu w praktyce analitycznej żywności.

Podsumowując, badanie otwiera nowe perspektywy w dziedzinie detekcji skażeń pokarmowych, łącząc wysoką czułość spektroskopii SERS z inteligentną analizą danych, co przekłada się na skuteczną ochronę konsumentów i branży spożywczej przed zagrożeniami związanymi z melaminą i jej analogami w mleku.

Źródło: https://pubmed.ncbi.nlm.nih.gov/40749506/​