Ein mikrofluidischer Ansatz für die Etikettierung

Wissenschaftliche Berichte Band 13, Artikelnummer: 11011 (2023) Diesen Artikel zitieren

776 Zugriffe

Details zu den Metriken

Mikroplastik im Meer stellt aufgrund seiner potenziellen Schädigung der Meeresbiota zunehmend ein Umweltproblem dar. Die erheblichen Unterschiede in ihren physikalischen und chemischen Eigenschaften stellen eine große Herausforderung bei der Probenahme und Charakterisierung von Mikroplastik kleiner Größe dar. In dieser Studie stellen wir einen neuartigen mikrofluidischen Ansatz vor, der den Einfang- und Identifizierungsprozess von Mikroplastik im Oberflächenmeerwasser vereinfacht und eine Kennzeichnung überflüssig macht. Wir untersuchen verschiedene Modelle, darunter Support Vector Machine, Random Forest, Convolutional Neural Network (CNN) und Residual Neural Network (ResNet34), um ihre Leistung bei der Identifizierung von 11 gängigen Kunststoffen zu bewerten. Unsere Ergebnisse zeigen, dass die CNN-Methode die anderen Modelle übertrifft und eine beeindruckende Genauigkeit von 93 % und eine mittlere Fläche unter der Kurve von 98 ± 0,02 % erreicht. Darüber hinaus zeigen wir, dass miniaturisierte Geräte Mikroplastik kleiner als 50 µm effektiv einfangen und identifizieren können. Insgesamt erleichtert dieser vorgeschlagene Ansatz eine effiziente Probenahme und Identifizierung von kleinem Mikroplastik und trägt möglicherweise zu entscheidenden langfristigen Überwachungs- und Behandlungsbemühungen bei.

Die Verschmutzung durch Mikroplastik ist zu einem globalen Problem geworden, und es wird geschätzt, dass sich im oberen Ozean etwa 24,4 Billionen Mikroplastikteile befinden, was die weitverbreitete Präsenz dieses Schadstoffs in der Meeresumwelt unterstreicht1. Im Laufe der Zeit haben die kumulativen Auswirkungen der Mikroplastikverschmutzung auf die Meeresbiota zu erheblichen Gesundheitsgefahren geführt, die eine ernsthafte Gefahr für das gesamte Ökosystem darstellen2. Eine effiziente Probenahme, genaue Identifizierung und zuverlässige chemische Charakterisierung von Mikroplastik sind entscheidend für das Verständnis ihrer ökologischen und biologischen Auswirkungen. Dennoch mangelt es weiterhin an systematischen Prozessen, da Mikroplastik in der Umwelt kompliziert ist und Faktoren wie unterschiedliche Größen, Formen, Abbaustadien, Aggregation und das Vorhandensein damit verbundener Biofilme umfasst. Derzeit gibt es drei Hauptschwerpunkte bei der Untersuchung mariner Mikroplastik: Probenahme, Probenbehandlung mit Kontaminationskontrolle und Identifizierung von Mikroplastik3. Eine ideale Probenahme ermöglicht eine hochpräzise Sammlung von Mikroplastik, die alle notwendigen, auf natürlichem Wege gewonnenen Informationen ohne unerwünschte Kreuzkontamination behält. Herkömmliche Probenahme- und Trennmethoden wie Dichtetrennung, visuelle Trennung und passives Schwimmen sind jedoch nur begrenzt in der Lage, kleine Partikel im Submikronbereich effektiv abzutrennen4, die tatsächlich den Großteil des Mikroplastiks in Meeren ausmachen. Andere Methoden wie der saure Aufschluss und der enzymatische Aufschluss sind kostspielige Prozesse und können den Einsatz hochgiftiger Chemikalien beinhalten, die möglicherweise die Integrität der Proben schädigen könnten5. Ein weiterer Bereich, der Anlass zur Sorge gibt, ist die Möglichkeit einer Kreuzkontamination durch Probenahmegeräte und atmosphärische Partikel, die zusätzliche Herausforderungen bei der genauen Bewertung und Quantifizierung der Mikroplastikverschmutzung mit sich bringen kann6. Obwohl Abhilfestrategien wie das Messen von Blindproben dazu beitragen können, experimentelle Fehler zu minimieren, beseitigen diese Methoden lediglich Kontaminationen im Zentrallabor7. Wie in einer Übersicht von Hidalgo-Ruz et al.8 hervorgehoben, die traditionelle Methoden in 68 Studien zu marinem Mikroplastik zusammenfasste, ist die Entwicklung wirksamer Methoden, die mehr Größenfraktionen unterscheiden, Kontaminationen verhindern und eine wirksame Identifizierung und Charakterisierung ermöglichen, immer noch eine entscheidende Aufgabe in der Welt Feld.

Dank ihrer Vorteile wie Kosteneinsparung, schnelle Reaktion, hoher Durchsatz und Anpassungsfähigkeit in vielen Anwendungen hat sich die Mikrofluidik-Technologie heutzutage als leistungsstarkes Werkzeug für die Partikelsortierung und -trennung erwiesen9,10. Jüngste Studien haben gezeigt, dass seine Fähigkeiten auf die Mikroplastikforschung ausgeweitet wurden11,12,13,14,15. Elsayed et al.16 berichteten beispielsweise über eine mikrooptofluidische Analyseplattform zur Sortierung von Mikroplastikpartikeln in Leitungswasser. Das sortierte Mikroplastik (1–100 µm) wurde in Mikrofiltern für die chemische Charakterisierung durch Raman- und Fourier-Transform-Infrarotspektroskopie (FTIR) aufgefangen. Allerdings führte die unerwünschte Ansammlung von Partikeln zu gemischten Raman-Peaks, die die Probencharakterisierung unnötig erschwerten.

Schließlich ist die genaue Identifizierung ein weiterer wesentlicher Schritt bei der Charakterisierung von Mikroplastik im Meer. Derzeit sind Raman-Spektroskopie und FTIR die beiden gebräuchlichsten chemischen Identifizierungstechniken. Letzteres ist eine zuverlässige Methode zur Analyse von Mikroplastik, doch die Anforderungen an trockene und relativ große Proben (> 10 µm) haben ihre Anwendungsmöglichkeiten eingeschränkt17,18 Andererseits bietet die Raman-Spektroskopie mehrere Vorteile, darunter eine höhere Auflösung und eine einfache Probenvorbereitung, die dies ermöglichen die Identifizierung von Partikeln mit Größen nahe 1 µm. Noch wichtiger ist, dass diese Methode auch auf flüssige Proben anwendbar ist, sogar im Mikromaßstab19,20.

Der Abgleich der Spektren (sowohl Raman als auch FTIR) mit Referenzspektren gilt heute weithin als Goldstandardmethode zur Identifizierung von Mikroplastik. Allerdings werden die Genauigkeit und Effizienz dieser Methode durch mehrere Faktoren beeinträchtigt. Die Genauigkeit des mathematischen Spektrumanpassungsschemas wird maßgeblich von der Qualität des Signals21 beeinflusst, und leider kann diese Qualität durch Fluoreszenz- und Lumineszenzeffekte beeinträchtigt werden. Das Fehlen einer umfassenden Referenzdatenbank, die auf verschiedene Umweltproben zugeschnitten ist, stellt eine Herausforderung für die Probenidentifizierung dar22, und der Prozess selbst ist oft arbeitsintensiv und auf Expertenurteile angewiesen.

Dank der rasanten Entwicklung maschineller Lerntechnologien können Modelle ihre Leistung auf der Grundlage maßgeschneiderter Datensätze verbessern und ohne menschliche Hilfe entsprechende Urteile fällen, wenn neue Proben entdeckt werden. Diese Technologien ermöglichen nicht nur eine leistungsstarke Merkmalsextraktion und -klassifizierung, sondern weisen auch eine hohe Genauigkeit, Flexibilität und Anpassungsfähigkeit auf23. Nach bestem Wissen der Autoren wurde nur über eine Studie zur Raman-basierten Identifizierung von Mikroplastik mithilfe maschineller Lerntechnologien berichtet24, dennoch sind genauere Identifizierungsansätze, die auf mehr Kunststoffarten mit einer Größe bis hinunter zum Mikromaßstab anwendbar sind, immer noch gefragt.

In dieser Studie schlagen wir einen neuartigen Ansatz zur Optimierung des Prozesses der Probenahme und Identifizierung von Meeresmikroplastik vor. Unsere Methode integriert die Vorteile von Mikrofluidik, Raman-Spektroskopie und maschinellen Lerntechnologien mit dem Ziel, die Effizienz und Genauigkeit der Mikroplastikanalyse in Meeresumgebungen zu verbessern (Abb. 1). Konkret haben wir einen umfassenden Trainingsdatensatz erstellt, indem wir im Labor gesammelte Proben mit öffentlich verfügbaren Datensätzen kombiniert haben. Unsere Studie umfasste eine systematische Untersuchung zur Bewertung und zum Vergleich der Identifikationsleistung von vier Modellen des maschinellen Lernens: dem Support Vector Machine (SVM)-Modell, dem Random Forest (RF)-Modell, Convolutional Neural Networks (CNN) und ResNet34-Architekturen. Unsere Ergebnisse zeigen, dass das CNN-Modell die anderen Modelle mit einer durchschnittlichen Klassifizierungsgenauigkeit von 93 % übertrifft. Um die Wirksamkeit mikrofluidischer Geräte beim Einfangen und Identifizieren von Mikroplastik zu demonstrieren, stellen wir ein Poly(dimethylsiloxan) (PDMS)-Gerät mit siebartigen Strukturen vor, das speziell für das Einfangen kleiner Partikel entwickelt wurde. In einem Proof-of-Concept-Experiment wurden alle eingeschlossenen ursprünglichen Partikel genau identifiziert. Darüber hinaus validieren wir erfolgreich die Praktikabilität der Probenahme und Identifizierung vor Ort, indem wir Proben verwenden, die an einem örtlichen Strand (Narragansett, Rhode Island, USA) gesammelt wurden.

Schematische Darstellung des optimierten Prozesses zur Identifizierung von Mikroplastik im Meer. (a) Ein zusammengebautes mikrofluidisches Gerät wird für die Sammlung von Proben aus Meerwasser vor Ort verwendet, das zunächst mit einem 45-µm-Filter filtriert wird. (b) Nach dem sicheren Transport des Geräts zurück ins Labor wird eine Lösung von 30 % (v/ v) Wasserstoffperoxid wird in das Gerät injiziert und dort 16 Stunden lang belassen, um die Probenverarbeitung zu erleichtern. Anschließend werden Raman-Spektren von den verarbeiteten Proben aufgenommen; (c) Identifizierungsprozess durch maschinelles Lernen, integriert in die mikrofluidische Methode zur Analyse von Meeresmikroplastik.

Wir haben die Modelle zunächst mit dem ursprünglichen Trainingsdatensatz trainiert und die Klassifizierungsleistung anhand des Testdatensatzes bewertet. Die Verwirrungsmatrizen sind in Abb. 2a dargestellt und die Bewertungsmetriken Genauigkeit, F1 und MCC-Scores sind in Tabelle 1 zusammengefasst. Die beste durchschnittliche Klassifizierungsgenauigkeit von 82,0 % wurde vom SVM-Modell erreicht und übertrifft sowohl das CNN- als auch das ResNet34-Modell. die nur eine Genauigkeit von 77 % erreichte. Diese Ergebnisse stehen im Widerspruch zu früheren Studien, die eine höhere Genauigkeit für CNN- und ResNet-Modelle nahelegten, was darauf hindeutet, dass der ursprüngliche Trainingsdatensatz nicht ausreichte, um Deep-Learning-Modelle effektiv zu trainieren25,26. Um dieses Problem zu beheben, haben wir die Modelle mithilfe eines erweiterten Datensatzes neu trainiert und ihre Klassifizierungsleistung anhand des Testdatensatzes neu bewertet. Abbildung 2b zeigt die aus dem erweiterten Trainingsdatensatz abgeleiteten Verwirrungsmatrizen, während Tabelle 2 einen Vergleich der Bewertungsmetriken zeigt. Bemerkenswerterweise zeigten alle Modelle erhebliche Verbesserungen bei den Genauigkeitsergebnissen. Abbildung 2c zeigt die Verbesserungen der Klassifizierungsgenauigkeit für jede Klasse beim Vergleich des ursprünglichen Trainingsdatensatzes mit dem erweiterten Trainingsdatensatz. Insbesondere stieg die Genauigkeit der Modelle SVM, RF, CNN und ResNet34 um 4,8 %, 23,7 %, 16,5 % bzw. 15,4 %. Die vergleichbare Leistung von CNN und ResNet34 bei beiden Trainingsdatensätzen kann auf die gemeinsamen Schichten zur Extraktion von Faltungsmerkmalen in diesen beiden Architekturen zurückgeführt werden. Die Empfindlichkeit verschiedener Modelle gegenüber unterschiedlichen Datengrößen macht jedoch deutlich, dass eine detailliertere Analyse der Beziehung zwischen den Modellen und den Trainingsdatensätzen erforderlich ist27. Die bloße Erhöhung der Anzahl der Trainingsdatenpunkte reicht nicht aus, um die Vorteile dieser beiden Modelle effektiv zu vergleichen. Wenn jedoch zusätzliche Materialtypen und Umweltproben mit komplexen Abbaubedingungen einbezogen werden, wird der Leistungsunterschied zwischen diesen beiden Modellen deutlicher. Durch die Implementierung der Datenerweiterung zeigten sowohl das CNN- als auch das ResNet34-Modell eine hohe Genauigkeit von über 93 %. Im Vergleich dazu erreichte das SVM-Modell eine Genauigkeit von 86,8 %. Diese Ergebnisse unterstreichen die überlegene Leistung der CNN- und ResNet34-Modelle und bestätigen frühere Studien, die über ihre Wirksamkeit bei der Verarbeitung größerer Datensätze berichtet haben28. Dennoch ist es erwähnenswert, dass die geringe Genauigkeit des RF-Modells im Widerspruch zu den Ergebnissen von Ramanna et al. steht. 202229. Aus diesem Grund wird das RF-Modell in dieser Studie nicht verwendet. Angesichts der vergleichbaren Leistungen von CNN und ResNet34 haben wir uns für weitere Demonstrationen in diesem Dokument entschieden, mit CNN fortzufahren.

Verwirrungsmatrizen, die die Klassifizierungsgenauigkeit von vier Modellen für maschinelles Lernen im Testdatensatz darstellen. (a) Modelle wurden mit dem ursprünglichen Trainingsdatensatz trainiert; (b) Modelle wurden mit dem erweiterten Trainingsdatensatz trainiert. (c) Vergleiche der Identifizierungsgenauigkeit des Testdatensatzes für jeden Kunststofftyp basierend auf den ursprünglichen und erweiterten Trainingsdatensätzen.

Um die Klassifizierungsgenauigkeit für alle Kunststofftypen zu verdeutlichen, werden die Verbesserungen der einzelnen Materialtypen nebeneinander verglichen (Abb. 2c). Die Klassifizierungsgenauigkeit für Materialien wie Nylon, Polyvinylchlorid (PVC) und Celluloseacetat (CA) bleibt für alle mit beiden Trainingsdatensätzen trainierten Modelle hoch. Die Identifizierung der drei am häufigsten vorkommenden Kunststoffarten Polystyrol (PS), Polypropylen (PP) und Polyethylen (PE) wurde nach der Datenerweiterung verbessert, wobei PE die deutlichste Verbesserung erzielte. Darüber hinaus verbesserte sich die Klassifizierung zwischen Polyethylenterephthalat (PET) und Polyester nach dem Training mit dem erweiterten Datensatz erheblich, da beide Materialien ähnliche chemische Zusammensetzungen haben. Dieses Ergebnis unterstreicht das Potenzial für eine präzise Identifizierung durch die Einführung zusätzlicher Materialien mit ähnlichen chemischen Verbindungen, aber leicht unterschiedlichen physikalischen Strukturen, wie z. B. Polyethylen hoher Dichte (HDPE), Polyethylen niedriger Dichte (LDPE), Nylon 6, Nylon 6, 6 und viele mehr Andere. Beim Umgang mit Umweltproben kommt es zwangsläufig zu Schwankungen der Spektren aufgrund komplexer Witterungsbedingungen und der Anwesenheit verschiedener Zusatzstoffe in den Produkten. Diese Faktoren tragen zu Ungleichheiten in den Spektraldaten bei und erschweren die genaue Identifizierung. Es ist erwähnenswert, dass bei stark verwittertem Mikroplastik bestimmte Raman-Fingerabdruckbindungen aufgrund umfangreicher Photooxidation, physikalisch-chemischer Veränderungen und mikrobieller Zersetzung verloren gehen können31. In solchen Szenarien reicht es möglicherweise nicht aus, sich zur genauen Identifizierung ausschließlich auf die Raman-Spektroskopie-Analyse zu verlassen. Die Verbesserungen maschineller Lernmodelle durch die Integration umfassenderer Datensätze aus der Rasterelektronenmikroskopie-energiedispersiven Röntgenspektroskopie (SEM-EDS) können als zusätzlicher Ansatz zur Identifizierung der Elementzusammensetzung und zur Analyse der Oberflächenmorphologie angesehen werden.

Wir haben außerdem die Receiver Operating Characteristic Curve (ROC) erstellt, indem wir die Empfindlichkeit gegen die Falsch-Positiv-Rate aufgetragen haben, und die durchschnittliche Fläche unter der ROC-Kurve (AUC) für die SVM- und CNN-Modelle mithilfe der Eins-gegen-Rest-Methode (OvR) berechnet Bewerten Sie die Sensitivität und Spezifität dieser beiden Modelle bei verschiedenen Schwellenwerten32. Wie in Abb. 3 dargestellt, übertrifft CNN SVM, was durch einen höheren durchschnittlichen AUC-Wert von 98 ± 0,02 % belegt wird. In diesem Klassifizierungsszenario besteht unser Ziel darin, Fehlklassifizierungen zu minimieren, indem wir die niedrigste Falsch-Positiv-Rate (FPR) und die höchste Richtig-Positiv-Rate (TPR) erreichen, sodass wir die Wahrscheinlichkeit, positive Klassen zu erkennen, maximieren können. Die Falsch-Positiv-Rate (FPR) stellt den Anteil negativer Fälle oder Proben dar, die fälschlicherweise als positiv eingestuft werden. Es quantifiziert die Rate, mit der das Modell Partikel, die kein Mikroplastik sind, fälschlicherweise als eines der trainierten Polymere klassifiziert. Beim berechneten optimalen Schwellenwert beträgt der FPR für SVM- und CNN-Modelle 0,08 bzw. 0,048 und der TPR 0,900 bzw. 0,930. Folglich zeigt das CNN-Modell eine leicht verbesserte Klassifizierungsleistung im Vergleich zum SVM-Modell.

ROC-Kurven und die durchschnittliche AUC-Bewertung von SVM- und CNN-Modellen für alle Klassen basierend auf der OvR-Methode. (a) SVM-Modell, trainiert mit dem erweiterten Trainingsdatensatz; (b) CNN-Modell, trainiert mit dem erweiterten Trainingsdatensatz. Die Klassen entsprechen verschiedenen Kunststofftypen: 0-PS, 1-PP, 2-PET, 3-Polyester, 4-Nylon, 5-PC, 6-PE, 7-PUR, 8-PVC, 9-PMMA und 10 -CA. Die optimalen Schwellenwerte werden auf der Grundlage der mit dem roten Stern gekennzeichneten mikrodurchschnittlichen ROC-Kurven berechnet.

Neben der anhand des Testdatensatzes bewerteten Leistung wurden auch SVM- und CNN-Modelle verwendet, um kleine Partikel zu identifizieren, die in einem Mikrofluidikgerät eingeschlossen sind. Obwohl die Modelle mit relativ größeren Kunststoffen unter statischen Bedingungen zusammen mit Online-Datenbanken trainiert wurden, deuten die erzielten Ergebnisse eindeutig darauf hin, dass eine genaue Identifizierung von eingeschlossenem, unberührtem Mikroplastik mit einer Genauigkeit von nahezu 100 % erreicht werden kann. Konkret wurden fluoreszierende PE-Partikel (20–27 µm) mit regulären PE- (10–45 µm) und PS-Partikeln (9,5–11,5 µm) gemischt, was die Grundwahrheiten für die Identifizierung anhand von Fluoreszenz und Größe lieferte. Die Ergebnisse zeigten, dass alle fluoreszierenden PE-Partikel in Zone B eingefangen wurden, wo die Einfanggröße auf 11–20 µm ausgelegt war (Abb. 4a). Die Raman-Spektren dieser Partikel wurden dann gesammelt, verarbeitet und zur Vorhersage in die trainierten SVM- und CNN-Modelle importiert. Die Ergebnisse zeigten, dass alle unberührten Mikroplastikpartikel von beiden Modellen korrekt identifiziert wurden, wobei die Partikel 1–6 von beiden Modellen zu 100 % identifiziert wurden. Das SVM-Modell ergab eine 100-prozentige Genauigkeit für Partikel 7, während das CNN-Modell voraussagte, dass der Partikel 99,12 % PE, 0,87 % PS und 0,01 % Nylon enthielt. Zwar besteht eine Wahrscheinlichkeit von 0,88 %, dass es sich bei der Probe um andere Arten von Proben handelte, es ist jedoch unwahrscheinlich, dass diese geringfügige Diskrepanz bei regulären Anwendungen mit Mikroplastik im Meer ein erhebliches Problem darstellt.

Einfangen fluoreszierender PE-Partikel und normaler PE- und PS-Partikel in einem Mikrofluidikgerät. (a) Alle 7 ausgewählten fluoreszierenden PE-Partikel werden in Zone B gefangen; (b) Verteilung der 19 zufällig ausgewählten Partikel, darunter 16 PE-Partikel und 3 PS-Partikel. Die vorhergesagten Ergebnisse werden in Klammern angezeigt.

Um die Identifizierungsaufgabe weiter zu validieren, untersuchten wir 19 zufällig ausgewählte Mikropartikel aus unterschiedlichen Größenbereichen im gesamten Kanal, wie in Abb. 4b dargestellt. Beachten Sie, dass PS-Partikel zwar nicht fluoreszieren, sie aber unter dem Mikroskop aufgrund des deutlichen Größenunterschieds dennoch von PE-Partikeln unterschieden werden konnten. Die Ergebnisse zeigten, dass die meisten PS-Partikel in Zone C (Einfanggröße 10–6 µm) eingefangen wurden, während nur Partikel 1 (PS-1, 10 µm) in Zone A neben einem großen PE-Partikel eingefangen wurde. Alle 19 Partikel wurden zu 100 % als das richtige Mikroplastik identifiziert. Insgesamt zeigte unser Modell eine vielversprechende Leistung bei der Identifizierung kleiner, unberührter Mikroplastiken. Dennoch ist es wichtig, die Notwendigkeit einer weiteren Validierung und Prüfung in verschiedenen experimentellen Umgebungen anzuerkennen, um seine Robustheit und Generalisierbarkeit festzustellen.

Abschließend wurde der vorgeschlagene Ansatz zum Einfangen und Identifizieren von Mikroplastik anhand von Umweltproben weiter evaluiert. Ein Eimer mit Meerwasserproben wurde an einem örtlichen Strand gesammelt und anschließend wurden die Partikel im Gerät eingefangen und zur Aufnahme von Raman-Spektren zurück ins Labor transportiert. Die eingeschlossenen Mikropartikel, die bei der Probenahme vor Ort gesammelt wurden, sind in Abb. 5a dargestellt. Da Partikel mit zugehörigem organischem Material und beschichteten Biofilmen nicht im Mittelpunkt dieser Arbeit standen und in zukünftigen Studien behandelt werden, wurde eine Probenverarbeitungsmethode basierend auf 30 % (v/v) Wasserstoffperoxid (H2O2) aus früheren Studien angewendet33. Abbildung 5b zeigt die eingeschlossenen Mikropartikel nach dem Prozess. Die Ergebnisse deuten darauf hin, dass die anfängliche Verstopfung durch den Schmutz in den Zonen B und C durch Peroxidoxidation erfolgreich beseitigt werden konnte. Abbildung 5c zeigt die unter dem Raman-Mikroskop zu identifizierenden Partikel. Wir verwendeten sowohl CNN- als auch SVM-Modelle, um die eingefangenen Mikropartikel anhand der Raman-Rohspektren zu identifizieren (Abb. S2). Die Identifizierungsergebnisse wurden mit KnowItAll (John Wiley & Sons, Inc, Hoboken, NJ), einer weit verbreiteten Software zur Identifizierung von Raman-Spektren, die die Referenzspektren-Matching-Methode verwendet, und Open Specy, einer Online-Community und einem zugänglichen Tool zur Identifizierung von Raman- und IR-Spektren, validiert . Tabelle 3 zeigt die Identifikationsergebnisse zusammen mit den drei besten Vorhersageergebnissen von KnowItAll und Open Specy34.

Bilder, die die eingeschlossenen Partikel aus dem Meerwasser veranschaulichen. (a) Die eingefangenen Mikropartikel wurden aus dem Meeresoberflächenwasser gesammelt; (b) Die eingefangenen Mikropartikel, nachdem die Proben mit 30 % (v/v) H2O2 behandelt wurden; (c) Partikel werden unter einem Raman-Mikroskop mit 50-fach- und 100-fach-Objektiven beobachtet. Die Partikel 1, 2 und 4 liegen in Perlenform vor. Die Partikel 3 und 5 liegen in Faserform vor.

Insgesamt wurden die Vorhersageergebnisse unserer maschinellen Lernmodelle für Partikel mit zwei beliebten Raman-Spektrum-Identifizierungssoftwares, KnowItAll und Open Specy34, verglichen. Die Partikel 1 und 4 wurden mit allen drei Methoden durchgängig als Polyethylen identifiziert. Um das Identifizierungsergebnis von Partikel 2 zu validieren, wurden die Roh-Raman-Spektren visuell analysiert, insbesondere durch Abgleich der Fingerabdruck-Peaks für PE35. Die Fehlklassifizierung durch KnowItAll könnte durch das im Vergleich zu den anderen Partikeln niedrige Signal-Rausch-Verhältnis (SNR) verursacht werden. Obwohl Open Specy über eine größere Spektrenbibliothek verfügt, weist es außerdem einige überlappende Peaks auf, die mit anderen Materialien statt mit Polymeren übereinstimmen. Es ist erwähnenswert, dass aufgrund der unterschiedlichen Identifizierungsergebnisse der drei Ressourcen empfohlen wird, in Zukunft eine Kreuzvalidierung mit zusätzlichen Tools zur Raman-Spektrum-Identifizierung durchzuführen. Dieser Validierungsprozess könnte durch die Kopplung mit anderen Analysetools wie FTIR und Bildanalyse weiter verbessert werden. Die Identifizierungsergebnisse für die Partikel 3 und 5 sind zwischen der maschinellen Lernmethode und KnowItAll ähnlich, unterscheiden sich jedoch von den mit Open Specy erzielten Ergebnissen. Diese Diskrepanz kann auf die größere Spektrumbibliothek und die geringere Datenqualität von Open Specy zurückgeführt werden. Folglich besteht die Möglichkeit, dass es sich bei den Partikeln 3 und 5 möglicherweise nicht um Polymere handelt und der Algorithmus des maschinellen Lernens möglicherweise falsch positive Vorhersagen geliefert hat.

Wenn es um die Raman-Identifizierung von Mikroplastik in der Umwelt im Submikronbereich geht, profitiert die herkömmliche Peak-Matching-Methode oft von einem saubereren Raman-Spektrum, das durch den Einsatz einer hohen Raman-Laserleistung erreicht werden kann. Es ist jedoch wichtig zu beachten, dass der Einsatz einer hohen Raman-Laserleistung das Risiko einer möglichen Verbrennung der Partikel birgt. Darüber hinaus erfordern diese herkömmlichen Methoden häufig zusätzliche Verarbeitungsschritte, die zu Schäden an den Kunststoffen führen und die Integrität der Raman-Spektren beeinträchtigen können. Angesichts der Vorteile, die maschinelle Lerntechnologien bieten, können komplexe Variationen in den Spektren, die von verschiedenen Umweltbedingungen herrühren, korrekt interpretiert werden. Der zukünftige Fokus sollte sich darauf konzentrieren, wie sich verschiedene Zusatzstoffe, Witterungsabbau und Biofouling auf die Spektren auswirken können und ob Modelle für maschinelles Lernen dabei helfen können Wir entschlüsseln die zugrunde liegenden mysteriösen Fingerabdrücke.

Um die Trenn- und Einfangfähigkeit des Geräts zu verbessern, könnte eine Kombination mit einem Hochdurchsatzabscheider und anderen aktiven Partikeleinfangtechniken verwendet werden, beispielsweise einem Hydrozyklon36. Darüber hinaus sollte auch das Partikelrecycling aus dem Mikrofluidiksystem in Betracht gezogen werden, um das System für andere nachgelagerte Studien weiter zu verbessern. Eine mögliche Lösung besteht darin, Mikroelektroden hinzuzufügen, die eine negative Dielektrophorese erzeugen, um Zielpartikel selektiv freizusetzen37. Insgesamt ist das Gerät für die genaue Erkennung von Mikroplastik von Vorteil, vor allem aufgrund seiner Fähigkeit, eine extrem kleine Anzahl von Partikeln in einer einzigen Falle einzufangen. Diese Funktion vereinfacht die Fokussierung auf einzelne Partikel während der Raman-Analyse, was bei herkömmlichen Methoden wie Filterpapieren, bei denen Partikel in tiefere Faserschichten eingebettet werden können, eine Herausforderung darstellen kann38. Ein weiterer Hauptvorteil der Verwendung des Mikrofluidikgeräts gegenüber herkömmlichen Probenahmemethoden ist die wirksame Reduzierung der Kreuzkontamination durch atmosphärische Partikel, da das Mikroplastik während des gesamten Prozesses im Kanal eingeschlossen bleibt, ohne der umgebenden Atmosphäre ausgesetzt zu werden.

Zusammenfassend stellt dieser Artikel ein vielversprechendes mikrofluidisches Gerät vor, das speziell für das effiziente Einfangen und Identifizieren von Mikroplastik entwickelt wurde. Die vorgeschlagene Fangmethode birgt ein großes Potenzial zur Minimierung von Kreuzkontaminationen und zur Verringerung der Abhängigkeit von manueller Arbeit. Es zeigt ein effizientes Einfangen von Mikroplastikpartikeln selbst in kleinen Mengen und bietet gleichzeitig größenselektive Funktionen. Experimentelle Tests haben erfolgreich gezeigt, dass das Gerät in der Lage ist, Mikroplastikpartikel aus der Umwelt effektiv in echtem Meerwasser einzufangen. Diese positiven Ergebnisse sind ein ermutigender Beweis für die Praktikabilität und Wirksamkeit des Geräts unter realen Bedingungen. Es ist jedoch wichtig anzuerkennen, dass es immer noch Bedenken gibt, die angegangen werden müssen, um die Leistung weiter zu verbessern. Eine Möglichkeit, die Skalierbarkeit dieses Systems zu verbessern, besteht beispielsweise darin, Parallelisierung zu implementieren und mehrere Geräte in Reihe zu schalten. Dieser Ansatz kann den Gesamtdurchsatz und die Effizienz des Einfangprozesses steigern. Während die aktuelle Methode zum Einfangen von Partikeln auf hydrodynamischer Kraft bei geringer Durchflussrate beruht, besteht durch die Integration anderer aktiv angetriebener Methoden in den Chip das Potenzial, den Durchsatz weiter zu steigern. Darüber hinaus birgt die Integration der handgeführten Raman-Spektroskopie mit fortschrittlichen, maschinell lernenden Identifikationssystemen ein großes Potenzial für die kontinuierliche Vor-Ort-Überwachung von Mikroplastik39.

Um die Einführung dieses Systems für die langfristige Umweltüberwachung zu erleichtern, wird die Kosteneffizienz zu einem entscheidenden Gesichtspunkt. Ein praktikabler Ansatz zur Senkung der Kosten für die Herstellung mikrofluidischer Geräte ist die direkte Nutzung der 3D-Drucktechnologie zur Herstellung der Geräte selbst. Dieser Ansatz macht Formen überflüssig und rationalisiert den Herstellungsprozess, wodurch die Kosten gesenkt werden40. Es ist jedoch wichtig, auf die Materialien zu achten, die für den 3D-Druck der mikrofluidischen Geräte verwendet werden. Angesichts der Fokussierung auf die Mikroplastikanalyse ist es wichtig, die potenziellen Risiken des Eintrags zusätzlicher Kunststoffpartikel während des Herstellungsprozesses zu berücksichtigen. Um die Integrität der Analyse sicherzustellen und die Einführung unerwünschter Verunreinigungen zu vermeiden, ist eine sorgfältige Auswahl geeigneter 3D-Druckmaterialien erforderlich, die die Freisetzung von Mikroplastik minimieren.

Darüber hinaus ist es aufgrund der Variationen in Form, Größe und einzigartigen Eigenschaften von Umweltpartikeln von entscheidender Bedeutung, diese Faktoren für eine optimale Leistung zu berücksichtigen. Die Erfassung und Identifizierung von Nanoplastik aus der Umwelt stellt jedoch erhebliche Herausforderungen dar. Die Integration dieses Systems mit anderen aktiven Methoden kann einen effektiveren Ansatz darstellen, insbesondere für Nanokunststoffe. Durch die Kombination der Fähigkeiten dieses Mikrofluidikgeräts mit aktivgesteuerten Methoden für die Nanoplastikanalyse könnte in zukünftigen Studien eine umfassende Charakterisierung von Nanoplastik in Umweltproben erreicht werden41,42,43.

Darüber hinaus ist die Erweiterung der Raman-Spektrum-Datenbibliothek um ein breiteres Spektrum verwitterter Polymere und die Einbeziehung von Raman-Spektren anderer Materialien in den Trainingsdatensatz von entscheidender Bedeutung. Diese Erweiterung wird die Fähigkeit von Modellen des maschinellen Lernens verbessern, verschiedene Arten von Umweltpartikeln zu identifizieren und die Falsch-Positiv-Rate zu reduzieren44. Es bietet auch die Möglichkeit, die Stärken und Schwächen verschiedener Algorithmen für maschinelles Lernen zu bewerten, was eine umfassende Analyse und Auswahl der am besten geeigneten Modelle für genaue und zuverlässige Vorhersagen ermöglicht. Darüber hinaus können wir durch den Einsatz von Datensegmentierungstechniken und der Durchführung eingehender Bildanalysen ein tieferes Verständnis wertvoller Erkenntnisse über die Partikel und ihre miteinander verbundenen Umweltkontexte erwarten45,46. Insgesamt würde das Wissen zu einem umfassenderen Verständnis der Quellen, des Verbleibs und des Transports von Umweltpartikeln beitragen und die Umsetzung gezielter Interventionen und Minderungsstrategien ermöglichen.

Insgesamt wurden 11 Arten von Kunststoffen untersucht, die häufig im Meer gesammelte Mikroplastikschadstoffe darstellen, darunter Polystyrol (PS), Polypropylen (PP), Polyethylen (PE), Polyamid (PA, Nylon), Polyester, Polyethylenterephthalat (PET) und Polyvinylchlorid ( PVC), Polyurethan (PUR), Polycarbonat (PC), Poly(methylmethacrylat) (PMMA) und Celluloseacetat (CA). Die PC- und PUR-Proben wurden aus durchsichtigen Folien bzw. Schläuchen hergestellt. Der Rest der Proben wurde mit den Polymeren im Polymer Kit 1.0 (Hawai'i Pacific University Center for Marine Debris Research) hergestellt. Es gab sie in verschiedenen Formen, darunter Pellets, Fasern, Perlen und Pulver. Bei den in den mikrofluidischen Einfangexperimenten verwendeten Partikeln handelt es sich um PE- (20–27 µm und 10–45 µm) und PS-Mikrokugeln (9,5–11,5 µm) von Cospheric LLC. (Goleta, Kalifornien, USA). Um den Testdatensatz für maschinelles Lernen zu erstellen, wurden auch weitere Proben gängiger Kunststoffprodukte des täglichen Bedarfs verwendet (Tabelle S1).

In dieser Studie wurde ein konfokales Raman-Mikroskop (CRM) WITec alpha 300 R verwendet. Es ist mit zwei Anregungslaserwellenlängen ausgestattet, 532 und 785 nm. Die verwendeten Beugungsgitter hatten 1200 g/mm und 300 g/mm für 532 nm bzw. 785 nm. Je nach Probengröße wurden unterschiedliche Vergrößerungsstärken und Objektive (10X, 50X und 100X) verwendet, um möglichst verständliche Raman-Spektren zu erhalten. Alle Spektren wurden mit einer Akkumulationszeit von 1 s und 100 Iterationen aufgenommen. Für alle Proben wurde ein vollständiger Bereich von Wellenlängenverschiebungen (10–4000 cm−1) erfasst und später auf 300–2000 cm−1 gekürzt, was den Fingerabdruckbereich darstellt, was im Allgemeinen für die Materialidentifizierung ausreicht47.

Die makellosen Kunststoffproben aus dem Polymer-Kit wurden auf einem normalen Mikroskop-Objektträger getestet. Bei den meisten Proben handelt es sich um 3–5 mm große Pellets. Die CA-Probe liegt in Pulverform vor, die durchschnittliche Partikelgröße (längste Dimension) beträgt ca. 0,387 mm. Die Polyesterprobe ist ein weißer Stoff und wurde zum Testen in 5 x 5 mm große Quadrate geschnitten. Für jeden Kunststofftyp wurden 10 Proben vorbereitet, von denen fünf Proben mit einer Anregungswellenlänge von 532 nm getestet wurden, während die anderen fünf Proben mit einer Wellenlänge von 785 nm getestet wurden. Alle Daten wurden mit einem 10X-Objektiv erfasst und für jede Probe wurden drei Raman-Spektren mit unterschiedlichen Laserleistungen, 5 mW, 10 mW und 15 mW, erfasst. Somit wurden insgesamt 10 × 3 (5, 10, 15 mW) = 30 Rohspektren für jede Art von unberührtem Kunststoff gesammelt. Täglich wurden Kunststoffprodukte gesammelt und für jede Probe einmal mit der am besten geeigneten Vergrößerung und Laserleistung getestet. Beachten Sie, dass klare Proben wie die durchsichtigen PC-Platten aufgrund ihres vernachlässigbaren Fluoreszenzhintergrunds mit einer Wellenlänge von 532 nm getestet wurden, während gefärbte Proben wie schwarze Polyesterfäden mit einer Wellenlänge von 785 nm getestet wurden, da eine höhere Anregungswellenlänge den Fluoreszenzhintergrund verringern und ein besseres Ergebnis liefern kann Signal-Rausch-Verhältnis48. Insgesamt wurden 330 Datenpunkte aus unberührten Materialien und 59 Datenpunkte aus Alltagsprodukten gesammelt.

Gemischte Proben von PE- und PS-Mikrokügelchen wurden in den Mikrokanal injiziert und von den siebartigen Strukturen eingefangen, um das Konzept des In-situ-Einfangens und Identifizierens von Mikroplastik in mikrofluidischen Geräten zu beweisen. Beachten Sie, dass der Mikrofluidikkanal zwar durch Standard-Softlithographie aus PDMS hergestellt wurde, ein Glasobjektträger jedoch oben auf dem Kanal platziert wurde, um einen geschlossenen Kanal ohne dauerhafte Bindung zu bilden. Daher kann die Abdeckung bei Bedarf entfernt werden, um mögliche Hintergrundsignale auf kleineren Partikeln zu eliminieren. Eingefangene Partikel wurden mit 50-fach- und 100-fach-Objektiven bei einer Anregungswellenlänge von 785 nm und verschiedenen Laserintensitäten abhängig von ihrer Größe getestet, um Raman-Spektren zu sammeln.

Um einen umfassenden Trainingsdatensatz zu entwickeln, wurden zwei Open-Source-Mikroplastik-Raman-Datenrepositorys, Spektralbibliotheken für reguläre Kunststoffe (SLOPP) und eine Umweltverwitterungsdatenbank (SLOPPE)49 sowie eine Mendeley-Datenbank mit Spektren von sowohl Standard- als auch natürlich verwitterten Proben50 übernommen zur Ergänzung der oben beschriebenen Rohdaten, die aus unberührten Proben gesammelt wurden. Unter Berücksichtigung der Quantität und Qualität der Daten haben wir beschlossen, alle Daten aus der SLOPP-Bibliothek und einen Teil der Mendeley-Bibliothek in den Trainingsdatensatz zu integrieren. Diese Wahl wurde getroffen, weil einige Spektren im Mendeley-Datensatz von stark verwitterten Proben stammten, weshalb sie keine genauen Ground-Truth-Informationen liefern konnten. Darüber hinaus haben wir die Daten aus der SLOPPE-Bibliothek und 10 zusätzliche makellose Datenpunkte pro Kunststofftyp zum Testdatensatz hinzugefügt. Letztendlich enthält der ursprüngliche Trainingsdatensatz 587 Datenpunkte (Tabelle S2) und der Testdatensatz 265 Datenpunkte (Tabelle S3).

Für die weitere Datenverarbeitung haben wir Raman-Spektren in Trainings- und Testdatensätzen aus allen Quellen auf den gewünschten Raman-Fingerabdruck-Wellenzahlbereich von 300–2000 cm−1 modifiziert und die Daten mithilfe von WebPlotDigitizer51 so angepasst, dass sie die gleiche Eingabedimension haben. Darüber hinaus wurden mehrere Datenerweiterungstechniken implementiert, um die Trainingsdatensätze zu erweitern. Zunächst wurde allen Originaldatenpunkten additives weißes Gaußsches Rauschen (AGWN) hinzugefügt, das die auf natürliche Weise erzeugten generischen Spektralrauschen (z. B. Schrotrauschen, Dunkelrauschen und Ausleserauschen) nachahmt52,53. Im Datenerweiterungsprozess wurden fünf SNRs angewendet, wobei die Gesamtformen und Spitzen der Spektren beibehalten wurden. Abschließend wurden die erweiterten Daten mit den ursprünglichen Spektrendatensätzen zusammengeführt. Anschließend wurde die Technik der Polynombasislinienentfernung auf alle erweiterten Daten angewendet, die sowohl aus der SLOPP- als auch der Mendeley-Bibliothek stammten. Dieser Schritt war entscheidend, um den Einfluss verrauschter Hintergrundsignale in diesen Spektren abzuschwächen. Konkret haben wir die Funktion „Polynomial Features“ aus der Vorverarbeitungsbibliothek von scikit-learn54 verwendet und für jeden Datenpunkt drei geeignete Exponentenwerte (Grad) ausgewählt. Dabei wurde die Anzahl der Datenpunkte aus SLOPP- und Mendeley-Bibliotheken gegenüber dem vorherigen Erweiterungsschritt verdreifacht. Insgesamt wurden insgesamt 11.772 Trainingsdatenpunkte erhalten (Tabelle S4). Es ist erwähnenswert, dass der Testdatensatz keiner Erweiterung unterzogen wurde. Schließlich haben wir alle Datenpunkte, insbesondere die Raman-Intensität, auf einen Bereich zwischen 0 und 1 standardisiert. Eine visuelle Darstellung der Datenverarbeitungsschritte für eine verwitterte PP-Probe ist in Abb. S2 zu sehen.

Klassifizierungs- oder Identifizierungsaufgaben auf Basis von Raman-Spektroskopie und maschinellem Lernen wurden in früheren Studien ausführlich untersucht. Diese Untersuchungen haben die Machbarkeit dieses Ansatzes gezeigt und vielversprechende Ergebnisse gemeldet55,56,57,58,59,60,61,62,63,64,65,66,67,68,69,70. CNN und ResNet haben sich als beliebte Wahl für solche Anwendungen herausgestellt und weisen im Vergleich zu anderen Modellen durchweg eine überlegene Identifizierungsgenauigkeit auf. Die von Ramanna et al. beschriebene Anwendung zur Identifizierung von Mikroplastik. 202271 nutzte ein RF-Modell und trainierte das Modell mithilfe der Datenbank SLOPP, gefolgt von Tests mit der Datenbank SLOPPE, und erreichte eine Genauigkeit von 93,81 %. In diesem Artikel haben wir vier Modelle für maschinelles Lernen implementiert (d. h. SVM-, RF-, CNN- und ResNet34-Modelle) und ihre Leistungen bei der Identifizierung von Mikroplastik aus verschiedenen Quellen umfassend verglichen. Wir haben die SVM- und RF-Bibliotheken von scikit-learn verwendet. Wir haben ein CNN-Modell mit der Conv1D-Funktion aus der Keras-Bibliothek erstellt (Abb. 6). Das CNN-Modell beginnt mit einer anfänglichen 1D-Eingabeschicht, die insgesamt 850 Datenpunkte enthält. Die inneren Schichten der Modelle umfassen zwei Faltungsschichten, auf die jeweils eine Max-Pooling-Schicht und eine Drop-out-Schicht mit einer anfänglichen Drop-out-Rate von 0,3 sowie eine anschließend angewendete vollständig verbundene Schicht folgen. Zur endgültigen Vorhersage wurde in der Ausgabeschicht eine Softmax-Aktivierungsfunktion angewendet. Hier haben wir die in Referenz72 beschriebene generische ResNet34-Architektur für unsere Aufgabe angewendet und die Eingabe in einen eindimensionalen Vektor umgeformt. Die verwendeten Hyperparameter wurden basierend auf Grid Search und den zehnfachen Kreuzvalidierungsmethoden bestimmt (Tabelle S5).

Die in diesem Artikel verwendete CNN-Architektur. Die Architektur enthält zwei Faltungsschichten. Die erste Faltungsschicht verfügt über einen Filter der Größe 64. Die zweite Faltungsschicht verfügt über 32 Filter.

Die Klassifizierungsgenauigkeit ist eine entscheidende Messgröße, die die Leistung eines Algorithmus bei der Identifizierung von Mikroplastik bestimmt. Eine einfache Methode zur Visualisierung und Interpretation dieser Metrik besteht darin, die Trainings- und Validierungsgenauigkeit sowie den Verlauf des Kreuzentropieverlusts darzustellen. Diese Metrik allein reicht jedoch nicht aus, um die Robustheit der Vorhersagegenauigkeit des Modells zu bewerten, insbesondere bei unausgeglichenen Datensätzen73. Um dieses Problem anzugehen, wurden mehrere Bewertungsmetriken angewendet, die für Multiklassen-Klassifizierungsanwendungen bekannt sind, wie z. B. die Verwirrungsmatrix, der F1-Score und der MCC-Score. In jeder Trainingsfalte werden die Datenpunkte in 80 % Trainingsdaten und 20 % Validierungsdaten aufgeteilt. Die durchschnittliche Klassifizierungsgenauigkeit wurde nach 10 Falten ermittelt. Eine Verwirrungsmatrix wird visualisiert, um die Klassifizierungsgenauigkeit des Modells anhand des zurückgehaltenen Testdatensatzes zu bewerten. Wir haben auch Matrizen einschließlich des makrodurchschnittlichen F1-Scores, des gewichteten durchschnittlichen F1-Scores und des Matthews-Korrelationskoeffizienten (MCC) übernommen, um die Gesamtklassifizierungsleistung für alle Modelle zu bewerten.

Wir haben die ROC-Kurve (Receiver Operating Characteristic Curve) aufgezeichnet und die AUC (Fläche unter der ROC-Kurve) mit der One vs Rest (OvR)-Methode verglichen, um die Vorhersagegenauigkeit für eine bestimmte Klasse zu bewerten und zu verstehen, wie gut die Modelle zwischen Klassen unterscheiden. Die ROC AUC bewertet die Klassifizierungsfähigkeit der Modelle bei verschiedenen Schwellenwerten. In diesem Fall möchten wir, dass der Schwellenwert der höchste TPR und der niedrigste FPR ist. Wir haben den optimalen Schwellenwert berechnet, indem wir den Punkt gefunden haben, der TPR-FPR auf der mikrodurchschnittlichen ROC-Kurve maximiert, die durch den Youden-Index \(J\)74 dargestellt wird:

Die Empfindlichkeit ist die y-Achse der ROC-Kurve, die wie folgt berechnet wird

Die x-Achse der ROC-Kurve stellt die 1-Spezifität dar, die wie folgt berechnet wird

Wie oben erwähnt, haben frühere Studien Mikroplastik im Mikro- und Submikronmaßstab lange übersehen, da es sich tatsächlich um einen der am häufigsten vorkommenden und besorgniserregendsten Schadstoffe im Meerwasser handelt. Unter Nutzung der Vorteile der Partikeleinfangfähigkeit der Mikrofluidik wurde ein passives hydrodynamisches Einfanggerät basierend auf vorgefertigten Mikrostrukturen oder Einfangkäfigen eingeführt75, das keine externen Antriebsfelder erfordert und für Laien benutzerfreundlich ist.

Das in diesem Artikel entwickelte mikrofluidische Gerät ähnelt herkömmlichen PDMS-Glasgeräten, die aus Standard-Softlithographie hergestellt werden, wobei auf eine dauerhafte Bindung verzichtet wurde. Um Leckagen zu vermeiden, wurde eine 3D-gedruckte Halterung angebracht, wie in Abb. 7a dargestellt. Um die Mikroplastikproben in das Gerät zu injizieren (Abb. 7b), wurde eine Spritzenpumpe (Fusion 200, Chemyx Inc., Stafford, TX, USA) verwendet und die Abfälle wurden in einem Einwegbecher gesammelt. Beachten Sie, dass das Einfangen in drei unterschiedlich großen siebartigen Fallen erfolgte (Abb. 7c), die zum Einfangen von Mikroplastik mit entsprechenden Größenbereichen verwendet werden: 45–21 µm (Zone A), 20–11 µm (Zone B). und 10–6 µm (Zone C). Alle anderen Abmessungen des Kanals wurden gemäß den in der Referenz75 angegebenen empfohlenen Verhältnissen beibehalten.

Konfiguration des Mikrofluidikgeräts und Aufbau des Proof-of-Concept-Experiments. (a) Das auf der Haltevorrichtung montierte Mikrofluidikgerät; (b) Foto, das den Versuchsaufbau für In-situ-Tests veranschaulicht. Der Aufbau umfasst eine Spritzenpumpe zur Bereitstellung eines Einlassflusses mit einer konstanten Flussrate und einen Sammelbecher zur Aufnahme des Auslassabfalls; (c) Die drei Einfangzonen unterschiedlicher Zielpartikelgrößen; (d) Die Partikel werden in kleinen Mengen in siebartigen Strukturen entsprechender Größe eingefangen und getrennt.

Das Proof-of-Concept-Experiment wurde zunächst im Labor durchgeführt, indem gemischte Partikel aus PS (9–11,5 µm), nicht fluoreszierendem PE (10–45 µm) und fluoreszierendem PE (20–27 µm) in entionisiertem (DI) suspendiert wurden ) Wasser in den Kanal. Beachten Sie, dass die Fluoreszenz nur zur visuellen Unterscheidung von Mikroplastik verwendet wurde, was einen alternativen Ansatz zur Erkennung von Mikroplastik zu Validierungszwecken darstellt. Dazu wurden 10 mg Partikelproben in 200 ml destilliertem Wasser gemischt und mit einer Flussrate von 10 µl/min in das Gerät injiziert. Mikrokügelchen wurden erfolgreich in siebartigen Fallen entsprechender Größe eingefangen, wie in Abb. 7d dargestellt. Anschließend wurde das Mikrofluidikgerät vorsichtig aus der Halterung entfernt und für die Raman-Analyse verwendet.

Zusätzlich zu den Indoor-Tests wurde auch das Einfangen von Mikroplastik vor Ort an einem örtlichen Strand durchgeführt, um die Machbarkeit zu demonstrieren. Oberflächenmeerwasser wurde zunächst mit 1 mm- und 45 µm-Sieben gefiltert. Die gesammelte Meerwasserprobe wurde in einem gründlich gereinigten Edelstahleimer versiegelt. Das Mikrofluidikgerät wurde mit dem Einlassschlauch verbunden und der Auslass mit einer leeren 10-ml-Spritze. Die Spritzenpumpe wurde im Entnahmemodus konfiguriert, um Meerwasser aus dem Eimer zu entnehmen. Anschließend wurde das Gerät zur weiteren Analyse zurück ins Labor transportiert. Der Versuchsaufbau am Strand ist in Abb. 8 dargestellt.

Einrichtung eines Probenahmeexperimentes vor Ort. Meerwasser wurde zunächst gefiltert und gesammelt. Die Spritzenpumpe wurde von einer Camping-Batteriebank angetrieben und auf den Entnahmemodus mit einer Durchflussrate von 10 µl/min eingestellt. Das Experiment dauerte drei Stunden.

In diesem Artikel haben wir Raman-Spektroskopie, maschinelles Lernen und Mikrofluidik kombiniert, um ein neuartiges mikrofluidisches Gerät zu entwickeln, das Mikroplastik bis zu mehreren Mikrometern einfängt, und haben die Leistung mehrerer Modelle für maschinelles Lernen (z. B. SVM, RF, CNN und ResNet34) systematisch untersucht Identifizierung von Mikroplastik. Das geschulte CNN und SVM können unberührte Mikroplastikpartikel mit nahezu 100-prozentiger Genauigkeit identifizieren. Darüber hinaus können die Modelle auch Mikroplastikpartikel aus der Umwelt, die aus dem Meerwasser abgetrennt werden, mit hoher Genauigkeit identifizieren. Die größenselektive Einfangfähigkeit des Geräts kommt einer genaueren Mikroplastikerkennung in der Raman-Analyse erheblich zugute. Zusammenfassend birgt das vorgeschlagene Verfahren ein erhebliches Potenzial für eine langfristige, kennzeichnungsfreie kontinuierliche Überwachung und Bewertung von Mikroplastik im Meerwasser. Darüber hinaus kann dieses Konzept problemlos für die Analyse anderer Arten von Mikropartikeln aus der Umwelt angepasst werden. Zukünftige Forschungsbemühungen sollten sich auf die kontinuierliche Erweiterung des Datensatzes durch die Einbeziehung einer breiteren Palette von Umweltproben konzentrieren. Darüber hinaus ist die Verfeinerung der Deep-Learning-Modelle zur Verbesserung der Genauigkeit und Robustheit von entscheidender Bedeutung. Für stark abgebautes Mikroplastik könnte eine Kreuzvalidierung der Identifizierungsergebnisse und die Integration mehrerer Charakterisierungsmethoden wie Massenspektrometrie und energiedispersive Spektroskopie in Betracht gezogen werden. Darüber hinaus können die Parallelisierung des Geräts und die Erforschung alternativer Trenntechniken den Durchsatz steigern und die Rückgewinnung eingefangener Partikel für nachgelagerte Studien verbessern.

Alle relevanten Daten sind auf Anfrage beim korrespondierenden Autor Yang Lin unter [email protected] erhältlich.

Der gesamte relevante Code ist auf Anfrage beim entsprechenden Autor Yang Lin unter [email protected] erhältlich.

Isobe, A. et al. Ein mehrstufiger Datensatz zum Mikroplastikreichtum im oberen Ozean der Welt und in den Großen Laurentianischen Seen. Mikroplast. Nanoplast. 1, 16 (2021).

Artikel Google Scholar

Chatterjee, S. & Sharma, S. Mikroplastik in unseren Ozeanen und Meeresgesundheit. J. Field Actions 19(2019), 54–61 (2019).

Google Scholar

Cutroneo, L. et al. Mikroplastik im Meerwasser: Probenahmestrategien, Labormethoden und Identifizierungstechniken für die Hafenumgebung. Umgebung. Wissenschaft. Umweltverschmutzung. Res. 27, 8938–8952 (2020).

Artikel CAS Google Scholar

Nguyen, B. et al. Trennung und Analyse von Mikroplastik und Nanoplastik in komplexen Umweltproben. Acc. Chem. Res. 52, 858–866 (2019).

Artikel CAS PubMed Google Scholar

Miller, ME, Motti, CA, Menendez, P. & Kroon, FJ Wirksamkeit von Mikroplastik-Trenntechniken an Meerwasserproben: Testgenauigkeit mit hochdichtem Polyethylen. Biol. Stier. 240, 52–66 (2021).

Artikel CAS PubMed Google Scholar

Prata, JC, da Costa, JP, Duarte, AC & Rocha-Santos, T. Methoden zur Probenahme und zum Nachweis von Mikroplastik in Wasser und Sedimenten: Eine kritische Überprüfung. TrAC Trends Anal. Chem. 110, 150–159 (2019).

Artikel CAS Google Scholar

Schymanski, D. et al. Analyse von Mikroplastik in Trinkwasser und anderen Reinwasserproben mit Mikro-Raman- und Mikroinfrarot-Spektroskopie: Mindestanforderungen und Best-Practice-Richtlinien. Anal. Bioanal. Chem. 413, 5969–5994 (2021).

Artikel CAS PubMed PubMed Central Google Scholar

Hidalgo-Ruz, V., Gutow, L., Thompson, RC & Thiel, M. Mikroplastik in der Meeresumwelt: Ein Überblick über die Methoden zur Identifizierung und Quantifizierung. Umgebung. Wissenschaft. Technol. 46, 3060–3075 (2012).

Artikel ADS CAS PubMed Google Scholar

Sajeesh, P. & Sen, AK Partikeltrennung und -sortierung in mikrofluidischen Geräten: Ein Überblick. Mikrofluid Nanofluid. 17, 1–52 (2014).

Artikel Google Scholar

Zhang, S., Wang, Y., Onck, P. & den Toonder, J. Eine kurze Übersicht über mikrofluidische Partikelmanipulationsmethoden. Mikrofluid Nanofluid. 24, 24 (2020).

Artikel Google Scholar

Blevins, MG et al. Tragbare Mikroplastik-Sensorik in wässrigen Umgebungen: Eine Perspektive auf neue Techniken. Sensoren 21, 3532 (2021).

Artikel ADS PubMed PubMed Central Google Scholar

Elsayed, AA et al. Ein mikrofluidischer Chip ermöglicht die schnelle Analyse von Mikroplastik im Wasser mittels optischer Spektroskopie. Wissenschaft. Rep. 11, 10533 (2021).

Artikel ADS CAS PubMed PubMed Central Google Scholar

Mesquita, P., Gong, L. & Lin, Y. Eine kostengünstige mikrofluidische Methode zur Identifizierung von Mikroplastik: Auf dem Weg zu einer kontinuierlichen Erkennung. Mikromaschinen (Basel) 13, 499 (2022).

Artikel PubMed Google Scholar

Chen, CK et al. Ein tragbares Reinigungssystem zur schnellen Entfernung von Mikroplastik aus Umweltproben. Chem. Ing. J. 428, 132614 (2022).

Artikel CAS Google Scholar

Pollard, M., Hunsicker, E. & Platt, M. Ein abstimmbarer dreidimensionaler gedruckter mikrofluidischer Widerstandsimpulssensor zur Charakterisierung von Algen und Mikroplastik. ACS Sens. 5, 2578–2586 (2020).

Artikel CAS PubMed Google Scholar

Elsayed, AA et al. Ein mikrofluidischer Chip ermöglicht die schnelle Analyse von Mikroplastik im Wasser mittels optischer Spektroskopie. Wissenschaft. Rep. 11, 10533 (2021).

Artikel ADS CAS PubMed PubMed Central Google Scholar

Silva, AB et al. Mikroplastik in der Umwelt: Herausforderungen in der analytischen Chemie – Ein Rückblick. Anal. Chim. Acta 1017, 1–19 (2018).

Artikel CAS PubMed Google Scholar

Crawford, CB & Quinn, B. 10 – Techniken zur Identifizierung von Mikroplastik. In Microplastic Pollutants (Hrsg. Quinn, B. & Crawford, CB) 219–267 (Elsevier, 2017). https://doi.org/10.1016/B978-0-12-809406-8.00010-4.

Kapitel Google Scholar

Ribeiro-Claro, P., Nolasco, MM & Araújo, C. Kapitel 5 – Charakterisierung von Mikroplastik durch Raman-Spektroskopie. In Characterization and Analysis of Microplastics Vol. 75 (Hrsg. Rocha-Santos, TAP & Duarte, AC) 119–151 (Elsevier, 2017).

Kapitel Google Scholar

Yang, S.-J. et al. Schnelle Identifizierung von Mikroplastik mithilfe eines tragbaren Raman-Systems und eines Extra-Trees-Algorithmus. In Echtzeit-Photonenmessungen, Datenmanagement und -verarbeitung V Vol. 11555 (Hrsg. Li, M. et al.) 70–77 (SPIE, 2020).

Google Scholar

Samuel, AZ et al. Zur Auswahl einer geeigneten Spektralanpassungsmethode für automatisierte analytische Anwendungen der Raman-Spektroskopie. ACS Omega 6, 2060–2065 (2021).

Artikel CAS PubMed PubMed Central Google Scholar

Araujo, CF, Nolasco, MM, Ribeiro, AMP & Ribeiro-Claro, PJA Identifizierung von Mikroplastik mittels Raman-Spektroskopie: Neueste Entwicklungen und Zukunftsaussichten. Wasserres. 142, 426–440 (2018).

Artikel CAS PubMed Google Scholar

Sathya, R. & Abraham, A. Vergleich überwachter und unüberwachter Lernalgorithmen zur Musterklassifizierung. Int. J. Adv. Res. Artif. Intel. 2, 34–38 (2013).

Artikel Google Scholar

Ramanna, S., Morozovskii, D., Swanson, S. & Bruneau, J. Maschinelles Lernen von Polymertypen aus der spektralen Signatur von Raman-Spektroskopie-Mikroplastikdaten. https://arxiv.org/abs/2201.05445 (2022).

Yu, S. et al. Analyse von Raman-Spektren mittels Deep-Learning-Methoden zur Identifizierung mariner Krankheitserreger. Anal. Chem. 93, 11089–11098 (2021).

Artikel CAS PubMed Google Scholar

Sun, J. et al. Schnelle Identifizierung von Salmonellen-Serovaren mithilfe von Raman-Spektroskopie und Algorithmen für maschinelles Lernen. Talanta 253, 123807 (2023).

Artikel CAS PubMed Google Scholar

Brownlee, J. Sensitivitätsanalyse der Datensatzgröße im Vergleich zur Modellleistung. In Python Machine Learning (2021).

Nalepa, J. & Kawulok, M. Auswahl von Trainingssätzen für Support-Vektor-Maschinen: Ein Rückblick. Artif Intell Rev 52, 857–900 (2019).

Artikel Google Scholar

Ramanna, S., Morozovskii, D., Swanson, S. & Bruneau, J. Maschinelles Lernen von Polymertypen aus der spektralen Signatur von Raman-Spektroskopie-Mikroplastikdaten. arXiv-Vorabdruck arXiv:2201.05445 (2022).

Statnikov, A., Wang, L. & Aliferis, CF Ein umfassender Vergleich von Random Forests und Support-Vektor-Maschinen für die Mikroarray-basierte Krebsklassifizierung. BMC Bioinform. 9, 319 (2008).

Artikel Google Scholar

Dong, M. et al. Raman-Spektren und Oberflächenveränderungen von Mikroplastik, das in natürlichen Umgebungen verwittert ist. Wissenschaft. Knirps. Umgebung. 739, 139990 (2020).

Artikel CAS Google Scholar

Rashidi, HH, Albahra, S., Robertson, S., Tran, NK & Hu, B. Gemeinsame statistische Konzepte im Bereich des überwachten maschinellen Lernens. Vorderseite. Onkol. 13, 1130229 (2023).

Artikel PubMed PubMed Central Google Scholar

Lavoy, M. & Crossman, J. Eine neuartige Methode zur Entfernung organischer Stoffe aus Proben, die Mikroplastik enthalten. Umgebung. Umweltverschmutzung. 286, 117357 (2021).

Artikel CAS PubMed Google Scholar

Cowger, W. et al. Die spektrale Klassifizierung von Mikroplastik braucht eine Open-Source-Community: Offene Spezies zur Rettung! Anal. Chem. 93, 7543–7548 (2021).

Artikel CAS PubMed Google Scholar

Gillibert, R. et al. Raman-Pinzette zur Identifizierung kleiner Mikroplastik- und Nanoplastikpartikel im Meerwasser. Umgebung. Wissenschaft. Technol. 53, 9003–9013 (2019).

Artikel ADS CAS PubMed Google Scholar

Yuan, F. et al. Ein hocheffizienter Mini-Hydrozyklon zur Mikroplastik-Abtrennung aus Wasser mittels Luftflotation. J. Water Process Eng. 49, 103084 (2022).

Artikel Google Scholar

Lv, D. et al. Einfangen und Freisetzen einzelner Mikropartikel und Zellen in einem Mikrofluidik-Chip. Elektrophorese 43, 2165 (2022).

Artikel CAS PubMed Google Scholar

Li, D. et al. Alkoholvorbehandlung zur Eliminierung der Interferenz von Mikroadditivpartikeln bei der Identifizierung von Mikroplastik mittels Raman-Spektroskopie. Umgebung. Wissenschaft. Technol. 56, 12158–12168 (2022).

Artikel ADS CAS PubMed PubMed Central Google Scholar

Yang, S.-J. et al. Schnelle Identifizierung von Mikroplastik mithilfe eines tragbaren Raman-Systems und eines Extra-Trees-Algorithmus. In Photonische Echtzeitmessungen, Datenverwaltung und -verarbeitung V Bd. 11555 (Hrsg. Li, M. et al.) 115550T (SPIE, 2020).

Google Scholar

Gonzalez, G., Roppolo, I., Pirri, CF & Chiappone, A. Aktuelle und aufkommende Trends bei polymeren 3D-gedruckten Mikrofluidikgeräten. Zusatz. Hersteller 55, 102867 (2022).

CAS Google Scholar

Urso, M., Ussia, M., Novotný, F. & Pumera, M. Einfangen und Nachweis von Nanoplastik durch von MXene abgeleitete Oxid-Mikroroboter. Nat. Komm. 13, 3573 (2022).

Artikel ADS CAS PubMed PubMed Central Google Scholar

Cai, H. et al. Analyse von Umweltnanoplastiken: Fortschritte und Herausforderungen. Chem. Ing. J. 410, 128208 (2021).

Artikel CAS Google Scholar

Xie, L., Gong, K., Liu, Y. & Zhang, L. Strategien und Herausforderungen bei der Identifizierung von Nanoplastik in der Umwelt durch oberflächenverstärkte Raman-Spektroskopie. Umgebung. Wissenschaft. Technol. 57, 25–43 (2023).

Artikel ADS CAS PubMed Google Scholar

Long, R. Fairness beim maschinellen Lernen: Gegen Falsch-Positiv-Ratengleichheit als Maß für Fairness. J. Moral Philos. 19, 49–78 (2021).

Artikel Google Scholar

Fahrenfeld, NL, Arbuckle-Keil, G., Beni, NN & Bartelt-Hunt, SL Quellenverfolgung von Mikroplastik in der Süßwasserumgebung. TrAC Trends Anal. Chem. 112, 248–254 (2019).

Artikel CAS Google Scholar

Dey, T. Mikroplastik-Schadstoffdetektion durch oberflächenverstärkte Raman-Spektroskopie (SERS): Eine Kurzübersicht. Nanotechnologie. Umgebung. Ing. 8, 41–48 (2023).

Artikel CAS Google Scholar

Yang, S. Raman-Analyse mit hoher Wellenzahl. In Recent Developments in Atomic Force Microscopy und Raman Spectroscopy for Materials Characterization (Hrsg. Pathak, CS & Kumar, S.) (IntechOpen, 2021). https://doi.org/10.5772/intechopen.100474.

Kapitel Google Scholar

Tuschel, D. Auswahl einer Anregungswellenlänge für die Raman-Spektroskopie. Spectroscopy 31, 14–23 (2016).

Google Scholar

Munno, K., De Frond, H., O'Donnell, B. & Rochman, CM Verbesserung der Zugänglichkeit zur Charakterisierung von Mikroplastik: Einführung neuer anwendungsbasierter und spektraler Bibliotheken von Kunststoffpartikeln (SLoPP und SLoPP-E). Anal. Chem. 92, 2443–2451 (2020).

Artikel CAS PubMed Google Scholar

Dong, M. et al. Eine Raman-Datenbank von Mikroplastik, das in natürlichen Umgebungen verwittert ist. Mendeley Data V2 739, 139990 (2020).

CAS Google Scholar

Rohatgi, A. WebPlotDigitizer. Vorabdruck unter https://automeris.io/WebPlotDigitizer (2021).

di Frischia, S., Chiuri, A., Angelini, F. & Colao, F. Optimierung des Signal-Rausch-Verhältnisses in einem CCD für spektroskopische Anwendungen. (2019).

di Frischia, S. et al. Verbesserte Datenerweiterung mithilfe von GANs für die Klassifizierung von Raman-Spektren. Im Jahr 2020 IEEE International Conference on Big Data (Big Data) 2891–2898 (2020). https://doi.org/10.1109/BigData50022.2020.9377977.

Pedregosa, F. et al. Scikit-learn: Maschinelles Lernen in Python. J. Mach. Lernen. Res. 12, 2825–2830 (2011).

MathSciNet MATH Google Scholar

Maruthamuthu, MK, Raffiee, AH, de Oliveira, DM, Ardekani, AM & Verma, MS Raman-Spektren-basiertes Deep Learning: Ein Werkzeug zur Identifizierung mikrobieller Kontamination. Mikrobiologieopen 9, e1122 (2020).

Artikel CAS PubMed PubMed Central Google Scholar

Ho, C.-S. et al. Schnelle Identifizierung pathogener Bakterien mittels Raman-Spektroskopie und Deep Learning. Nat Commun 10, 4927 (2019).

Artikel ADS PubMed PubMed Central Google Scholar

Yu, S. et al. Analyse von Raman-Spektren mittels Deep-Learning-Methoden zur Identifizierung mariner Krankheitserreger. Anal. Chem. 93, 11089–11098 (2021).

Artikel CAS PubMed Google Scholar

Huang, S. et al. Identifizierung von Blutspezies basierend auf Deep-Learning-Analyse von Raman-Spektren. Biomed. Opt. Express 10, 6129–6144 (2019).

Artikel ADS CAS PubMed PubMed Central Google Scholar

Kukula, K. et al. Schneller Nachweis von Bakterien mittels Raman-Spektroskopie und Deep Learning. Im Jahr 2021 IEEE 11th Annual Computing and Communication Workshop and Conference (CCWC), 796–799 (2021). https://doi.org/10.1109/CCWC51732.2021.9375955.

Huang, J. et al. Vor-Ort-Nachweis des SARS-CoV-2-Antigens durch Deep-Learning-basierte oberflächenverstärkte Raman-Spektroskopie und ihre biochemischen Grundlagen. Anal. Chem. 93, 9174–9182 (2021).

Artikel CAS PubMed PubMed Central Google Scholar

Shao, X. et al. Deep Convolutional Neural Networks kombinieren die Raman-Spektralsignatur von Serum für das Screening von Knochenmetastasen bei Prostatakrebs. Nanomedizin 29, 102245 (2020).

Artikel CAS PubMed Google Scholar

Ciloglu, FU et al. Nachweis arzneimittelresistenter Staphylococcus aureus-Bakterien durch Kombination von oberflächenverstärkter Raman-Spektroskopie (SERS) und Deep-Learning-Techniken. Wissenschaft. Rep. 11, 18444 (2021).

Artikel ADS CAS PubMed PubMed Central Google Scholar

Yan, H. et al. Unterscheidung von Plattenepithelkarzinomen der Zunge mit Raman-Spektroskopie und Faltungs-Neuronalen Netzen. Vib. Spectrosc. 103, 102938 (2019).

Artikel CAS Google Scholar

Zhang, L. et al. Schnelle Histologie von Plattenepithelkarzinomen des Kehlkopfes mit Deep-Learning-basierter stimulierter Raman-Streuungsmikroskopie. Theranostics 9, 2541–2554 (2019).

Artikel CAS PubMed PubMed Central Google Scholar

Shin, H. et al. Diagnose von Lungenkrebs im Frühstadium durch Deep-Learning-basierte spektroskopische Analyse zirkulierender Exosomen. ACS Nano 14, 5435–5444 (2020).

Artikel ADS CAS PubMed Google Scholar

Ma, D. et al. Klassifizierung von Brustkrebsgewebe durch Raman-Spektroskopie mit einem eindimensionalen Faltungs-Neuronalen Netzwerk. Spektrochem. Acta A Mol. Biomol. Spectrosc. 256, 119732 (2021).

Artikel CAS PubMed Google Scholar

Lu, H., Tian, S., Yu, L., Lv, X. & Chen, S. Diagnose von Hepatitis B basierend auf Raman-Spektroskopie in Kombination mit einem multiskaligen Faltungs-Neuronalen Netzwerk. Vib Spectrosc 107, 103038 (2020).

Artikel CAS Google Scholar

Li, Y. et al. Frühdiagnose von Magenkrebs basierend auf Deep Learning kombiniert mit der spektral-räumlichen Klassifizierungsmethode. Biomed. Opt. Express 10, 4999–5014 (2019).

Artikel CAS PubMed PubMed Central Google Scholar

Guselnikova, O. et al. Markierungsfreie oberflächenverstärkte Raman-Spektroskopie mit künstlicher neuronaler Netzwerktechnik zur Erkennung photoinduzierter DNA-Schäden. Biosens Bioelectron 145, 111718 (2019).

Artikel CAS PubMed Google Scholar

Wang, K. et al. Arcobacter-Identifizierung und Artenbestimmung mittels Raman-Spektroskopie in Kombination mit neuronalen Netzen. Appl. Umgebung. Mikrobiol. 86, e00924 (2020).

Artikel CAS PubMed PubMed Central Google Scholar

Chollet, F. et al. Du trägst GitHub. Vorabdruck bei (2015).

He, K., Zhang, X., Ren, S. & Sun, J. Deep Residual Learning für die Bilderkennung. In Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition 770–778 (2016).

Brownlee, J. Klassifizierungsgenauigkeit reicht nicht aus: Sie können mehr Leistungskennzahlen verwenden. https://machinelearningmastery.com/classification-accuracy-is-not-enough-more-performance-measures-you-can-use/ (2014).

Youden, WJ Index zur Bewertung diagnostischer Tests. Krebs 3, 32–35 (1950).

3.0.CO;2-3" data-track-action="article reference" href="https://doi.org/10.1002%2F1097-0142%281950%293%3A1%3C32%3A%3AAID-CNCR2820030106%3E3.0.CO%3B2-3" aria-label="Article reference 74" data-doi="10.1002/1097-0142(1950)3:13.0.CO;2-3">Artikel CAS PubMed Google Scholar

Kim, J., Erath, J., Rodriguez, A. & Yang, C. Ein hocheffizientes Mikrofluidikgerät zum größenselektiven Einfangen und Sortieren. Lab Chip 14, 2480–2490 (2014).

Artikel CAS PubMed PubMed Central Google Scholar

Referenzen herunterladen

Die Raman-Daten wurden am RI Consortium for Nanoscience and Nanotechnology erfasst, einer Kerneinrichtung des URI College of Engineering, die teilweise von der National Science Foundation EPSCoR, Kooperationsvereinbarung Nr. OIA-1655221, finanziert wird. Das konfokale Raman-Mikroskop wurde von der National Science Foundation EPSCoR, Kooperationsvereinbarung Nr. OIA-1655221, finanziert. Die Autoren möchten Sarah Davis (Graduate Research Assistant am URI) dafür danken, dass sie uns bei den Experimenten enorm unterstützt und ihre wertvollen Erkenntnisse über Mikroplastik-Umweltproben aus Meerwasser geteilt hat. Wir danken Irene Andreu Blanco (Betriebsleiterin, RI Consortium of Nanoscience and Nanotechnology) und Zachary Shepard (Assistant Manager Imaging Core Facility) für ihre konsequente Unterstützung, Geduld und Anleitung zur Raman-Analyse und zu Mikroplastik-Identifizierungstechniken.

Abteilung für Maschinenbau, Industrie- und Systemtechnik, University of Rhode Island, Kingston, Rhode Island, USA

Liyuan Gong, Omar Martinez, Pedro Mesquita und Yang Lin

Fakultät für Bau- und Umweltingenieurwesen, University of Rhode Island, Kingston, Rhode Island, USA

Kayla Kurtz

Fakultät für Informatik, San Diego State University, San Diego, CA, USA

Yang Xu

Sie können diesen Autor auch in PubMed Google Scholar suchen

Konzeptualisierung der Studie: YL, LG Probenvorbereitung: LG, OM Raman-Datenerfassung: LG, OM Raman-Datenanalyse: LG, OM, YL Modellentwicklung für maschinelles Lernen: LG, OM Geräteherstellung und Experimente: LG, OM Probenerfassung vor Ort: LG, OM Interpretation der Ergebnisse: LG, YL, YX, OM Verfassen von Manuskripten: LG, YL Überprüfung des Manuskripts: LG, PM, KK, YL, YX Überarbeitung des Manuskripts: LG, YL Projektüberwachung: YL

Korrespondenz mit Yang Lin.

Die Autoren geben an, dass keine Interessenkonflikte bestehen.

Springer Nature bleibt neutral hinsichtlich der Zuständigkeitsansprüche in veröffentlichten Karten und institutionellen Zugehörigkeiten.

Open Access Dieser Artikel ist unter einer Creative Commons Attribution 4.0 International License lizenziert, die die Nutzung, Weitergabe, Anpassung, Verbreitung und Reproduktion in jedem Medium oder Format erlaubt, sofern Sie den/die ursprünglichen Autor(en) und die Quelle angemessen angeben. Geben Sie einen Link zur Creative Commons-Lizenz an und geben Sie an, ob Änderungen vorgenommen wurden. Die Bilder oder anderes Material Dritter in diesem Artikel sind in der Creative-Commons-Lizenz des Artikels enthalten, sofern in der Quellenangabe für das Material nichts anderes angegeben ist. Wenn Material nicht in der Creative-Commons-Lizenz des Artikels enthalten ist und Ihre beabsichtigte Nutzung nicht durch gesetzliche Vorschriften zulässig ist oder über die zulässige Nutzung hinausgeht, müssen Sie die Genehmigung direkt vom Urheberrechtsinhaber einholen. Um eine Kopie dieser Lizenz anzuzeigen, besuchen Sie http://creativecommons.org/licenses/by/4.0/.

Nachdrucke und Genehmigungen

Gong, L., Martinez, O., Mesquita, P. et al. Ein mikrofluidischer Ansatz zur markierungsfreien Identifizierung von kleinen Mikroplastiken im Meerwasser. Sci Rep 13, 11011 (2023). https://doi.org/10.1038/s41598-023-37900-9

Zitat herunterladen

Eingegangen: 18. April 2023

Angenommen: 29. Juni 2023

Veröffentlicht: 07. Juli 2023

DOI: https://doi.org/10.1038/s41598-023-37900-9

Jeder, mit dem Sie den folgenden Link teilen, kann diesen Inhalt lesen:

Leider ist für diesen Artikel derzeit kein Link zum Teilen verfügbar.

Bereitgestellt von der Content-Sharing-Initiative Springer Nature SharedIt

Durch das Absenden eines Kommentars erklären Sie sich damit einverstanden, unsere Nutzungsbedingungen und Community-Richtlinien einzuhalten. Wenn Sie etwas als missbräuchlich empfinden oder etwas nicht unseren Bedingungen oder Richtlinien entspricht, kennzeichnen Sie es bitte als unangemessen.