基于光谱的研究强调了整合数据驱动方法以增强异构体歧视的重要性。
研究人员通过将晚期光谱与机器学习相结合，开发了一种新型的异构体歧视传感策略。
该方法基于表面增强的拉曼散射（SERS）底物（即等离子平台）。Montes-Garcãa等。解释说，他们制造了通过种子生长法合成的准球金纳米颗粒（AU NP）制成的高级SERS底物。
关于先进技术驱动的光谱技术
他们的方法提供了快速，超敏感和精确的歧视，可以区分密切相关的结构异构体。该研究研究了结构异构体，几何异构体和光学异构体（例如，r/s- bibuprofen）。
例如，在用商业布洛芬样品验证其技术时，结果表明与传统的圆形二色性结果相吻合，突出了方法的鲁棒性和精度。
机器学习算法的集成显着提高了定量分析和分类精度，并达到了低至2â八毫米的检测极限。
当前的异构歧视方法
[基于高级光谱的方法]提供了[异构体]的快速，超敏感和精确的歧视
而传统方法用于区分异构体类型，例如质谱法作者断言，在异构体歧视期间提供详细的分子信息，它们具有局限性。
因此，新颖分析方法他们解释说，这允许快速，明确和超敏感的异构体歧视受到极大的追捧。
当前的SER技术经常会遇到挑战，例如纳米颗粒聚集不一致或难以区分密切相关的异构体，尤其是光学异构体，其中仅探索了依靠与异构体氢键差异的探针。
积极的研究人员得出的结论是，他们的战略在SERS底物的敏感性，统一性和多功能性方面面临着关键挑战。
作为研究的一部分，团队研究了五个不同的金纳米颗粒（AU NP）尺寸和沉积条件。作者说，最佳的SERS性能以效率和均匀性为特征，是通过至少55nm和两个沉积周期的AU NPS实现的。
Montes-Garcãa等。总结说，将机器学习算法与SERS集成不仅可以提高分析性能，还可以为实时和高通量应用程序铺平道路。
本文发表在高级传感器研究。