Новый подход, описанный в исследовании, опубликованном в Proceedings of the National Academy of Sciences, использует световую визуализацию, теоретические предсказания световых сигнатур соединений и алгоритмы машинного обучения (ML) для обнаружения токсичных соединений, таких как полициклические ароматические углеводороды (ПАУ) и их производные соединения (PACs) в почве. ПАУ и PACs, являющиеся распространенным побочным продуктом горения, были связаны с раком, проблемами развития и другими серьезными проблемами со здоровьем.

Для выявления загрязняющих веществ в почве обычно требуются передовые лаборатории и стандартные физические эталонные образцы предполагаемых загрязняющих веществ. Однако для многих загрязнителей окружающей среды, представляющих опасность для здоровья населения, отсутствуют экспериментальные данные, которые можно было бы использовать для их обнаружения.

"Этот метод позволяет идентифицировать химические вещества, которые еще не были выделены экспериментально", - сказала Наоми Халас, профессор университета и профессор электротехники и вычислительной техники Стэнли К. Мура в Rice.

В новом методе используется технология получения изображений на основе света, известная как рамановская спектроскопия с поверхностным усилением, которая анализирует, как свет взаимодействует с молекулами, отслеживая уникальные паттерны, или спектры, которые они излучают. Спектры служат "химическими отпечатками пальцев" для каждого соединения. Методика усовершенствована за счет использования фирменных нанооболочек, предназначенных для усиления соответствующих характеристик в спектрах.

Используя теорию функционала плотности - метод вычислительного моделирования, который может предсказать, как ведут себя атомы и электроны в молекуле, - исследователи рассчитали, как выглядят спектры целого ряда ПАУ и PACs, основываясь на молекулярной структуре соединений. Это позволило им создать виртуальную библиотеку "отпечатков пальцев" для ПАУ и PACs.

Два взаимодополняющих алгоритма ML - выделение характерных пиков и сходство характерных пиков - были использованы для анализа соответствующих спектральных признаков в реальных образцах почвы и сопоставления их с соединениями, отображенными в виртуальной библиотеке спектров.

"Мы используем ПАУ в почве, чтобы проиллюстрировать эту очень важную новую стратегию", - сказал Халас. "Существуют десятки тысяч химических веществ, полученных из ПАУ, и этот подход - вычисление их спектров и использование машинного обучения для сопоставления теоретически рассчитанных спектров с наблюдаемыми в образце - позволяет нам идентифицировать химические вещества, для которых у нас, возможно, нет экспериментальных данных".

Этот метод устраняет критический пробел в мониторинге окружающей среды, открывая путь к выявлению гораздо более широкого спектра опасных соединений, включая те, которые изменились с течением времени. Это особенно важно, учитывая, что почва является динамичной средой, где химические вещества подвергаются преобразованиям, которые могут затруднить их обнаружение.

Томас Сенфтл, доверенное лицо Уильяма Марша Райса, адъюнкт-профессор химической и биомолекулярной инженерии, сравнил этот процесс с использованием распознавания лиц для того, чтобы найти человека в толпе.

"Вы можете себе представить, что у нас есть фотография человека, когда он был подростком, но сейчас ему за 30", - сказал Сенфтл. "В моей группе мы занимаемся тем, что теоретически можем предсказать, как будет выглядеть картина".

Исследователи протестировали метод на почве из восстановленного водораздела и природной зоны, используя как искусственно загрязненные образцы, так и контрольный образец. Результаты показали, что новый подход надежно выявляет даже мельчайшие следы ПАУ, используя более простой и быстрый процесс, чем обычные методы.

"Этот метод может идентифицировать менее известные и в значительной степени неизученные молекулы загрязняющих веществ PAH и PAC", - сказала Оара Нойманн, научный сотрудник Rice research, которая является соавтором исследования.

В будущем этот метод может позволить проводить полевые испытания на месте за счет интеграции алгоритмов ML и теоретической спектральной библиотеки с портативными устройствами комбинационного рассеяния света в мобильную систему, что упростит фермерам, сообществам и природоохранным учреждениям проверку почвы на наличие опасных соединений без необходимости отправлять образцы в специализированные лаборатории и ждать результатов несколько дней..

Анкит Патель, доцент кафедры электротехники и вычислительной техники в Rice и доцент кафедры неврологии в BCM, является автором-корреспондентом исследования наряду с Халасом.

Среди других соавторов Райс - выпускник докторантуры в области компьютерных наук Илонг Чжу; докторанты Сара Денисон, Пейшуан Джин и Андрес Санчес-Альварадо; Питер Нордландер, заведующий кафедрой физики и астрономии Wiess и профессор электротехники и вычислительной техники, материаловедения и наноинженерии; и Педро Альварес, профессор гражданского права университета Джорджа Р. Брауна. и экологическая инженерия.

Исследование было поддержано Национальными институтами здравоохранения (P42ES027725-01), Фондом Уэлча (C-1220, C-1222) и стипендией Карла и Лилиан Иллиг (Институт Смолли-Керла, H20398-239440). Ответственность за содержание настоящего документа лежит исключительно на авторах и не обязательно отражает официальную точку зрения финансирующих организаций и учреждений.