📄 chemistry

Selective Fluorescence Detection of Metronidazole in Traditional Dairy Products Using Green-Synthesized Carbon Quantum Dots Enhanced by Experimental Design and Machine Learning

Deze studie presenteert een via groene synthese verkregen koolstof-quantumdot-sensor, geoptimaliseerd via Design of Experiments en machine learning, voor de gevoelige en selectieve fluorescentiedetectie van metronidazol in traditionele zuivelproducten.

Oorspronkelijke auteurs: Sepideh Gharehyakheh, changiz karami, Sadaf Pirouzi

Gepubliceerd 2026-07-08

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Sepideh Gharehyakheh, changiz karami, Sadaf Pirouzi

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je voor dat je een kopje melk hebt en je bent bezorgd dat er een piepkleine, onzichtbare hoeveelheid van een medicijn genaamd Metronidazol in zit. Dit medicijn wordt gebruikt om infecties bij dieren te bestrijden, maar als het in ons voedsel terechtkomt, kan dat slecht zijn voor onze gezondheid. Het probleem is dat het vinden van zo'n kleine hoeveelheid meestal lijkt op het proberen te vinden van een specifiek zandkorreltje op een strand met behulp van dure, ingewikkelde machines die veel tijd kosten.

Dit onderzoekspaper introduceert een nieuwe, simpelere en "groenere" manier om dit medicijn te vinden. Zo hebben ze het gedaan, uitgelegd in alledaagse termen:

1. De "Magische Glitter" (Groene Synthese)

In plaats van harde chemicaliën te gebruiken om een sensor te maken, hebben de onderzoekers een plant gebruikt genaamd Rosa Canina (wildroos).

De Analogie: Denk aan de rozenplant als een ingrediënt uit de keuken. Ze namen de plant, kookten deze in water en kookten het vervolgens onder hoge druk (zoals een hogedrukpan) gedurende een dag.
Het Resultaat: Dit proces veranderde het plantensap in minuscule, gloeiende spikkeltjes genaamd Carbon Quantum Dots (CQDs). Je kunt je dit voorstellen als microscopische, gloeiende glitter. Deze zijn speciaal omdat ze van nature helder schijnen onder een specifiek type licht.

2. Het "Verlegen Licht" (Hoe detectie werkt)

Deze gloeiende spikkeltjes zijn het hart van de sensor.

De Analogie: Stel je voor dat de gloeiende glitter een verlegen kind is dat ervan houdt om te stralen. Wanneer je ze in een schone kamer (zuiver water) plaatst, stralen ze heel helder.
De Interactie: Echter, als je de "slechterik" (Metronidazol) in de kamer introduceert, raakt de glitter afgeleid en stopt het met zo helder te schijnen. Hoe meer Metronidazol er aanwezig is, hoe minder fel het licht wordt.
De Claim: Door precies te meten hoeveel het licht dimt, kunnen de onderzoekers exact berekenen hoeveel medicijn er in de melk zit.

3. De "Receptmeester" (Experimenteel Ontwerp)

Het laten werken van de sensor tot in perfectie gebeurt niet door simpelweg te gokken. De onderzoekers gebruikten een methode genaamd Design of Experiments (DoE).

De Analogie: Stel je voor dat je een taart bakt. Je gooit niet zomaar willekeurig ingrediënten erbij; je hebt de juiste hoeveelheid hitte nodig, de juiste tijd in de oven en de juiste pH (zuurgraad).
Het Proces: Ze testten tientallen verschillende combinaties van temperatuur, tijd en zuurgraad om het "perfecte recept" te vinden waarbij de sensor het meest duidelijk reageert op het medicijn. Ze gebruikten wiskunde om de beste omstandigheden in kaart te brengen, waardoor ze ervoor zorgden dat de sensor zo gevoelig mogelijk is.

4. De "Slimme Voorspeller" (Machine Learning)

Om te controleren of hun wiskunde perfect was, hebben ze een computer geleerd om van hun gegevens te leren met behulp van Machine Learning.

De Analogie: Stel je voor dat je een student hebt die een toets maakt. Je geeft ze veel oefenvragen (de data). Sommige studenten gokken willekeurig, maar de beste student (het Random Forest-model dat ze kozen) leert de patronen en krijgt bijna elk antwoord goed.
Het Resultaat: Dit computermodel hielp hen om de hoeveelheid medicijn met zeer hoge nauwkeurigheid te voorspellen, wat bevestigde dat hun sensor beter werkt dan oudere, simpelere methoden.

5. De "Realiteitstest" (Zuivelproducten)

Ten slotte hebben ze het niet alleen in een laboratoriumbeker getest; ze hebben het getest in echte traditionele zuivelproducten (zoals rauwe melk).

De Uitdaging: Melk is een "rommelig" mengsel van vetten, eiwitten en suikers. Meestal komen deze zaken in de weg en verwarren ze sensoren.
Het Succes: De onderzoekers hebben het melkmonster net genoeg schoongemaakt en hun gloeiende sensor toegevoegd. Het werkte perfect! Het vond het medicijn zelfs in de "rommelige" melk zonder in de war te raken door de andere ingrediënten. Ze ontdekten dat de sensor het medicijn ongeveer 99% van de tijd nauwkeurig kon detecteren.

Samenvatting van de Claim

Het artikel beweert dat ze een snelle, goedkope en milieuvriendelijke zaklamp hebben gebouwd, gemaakt van wilde rozen. Wanneer deze zaklamp op melk schijnt, dimt het licht als er Metronidazol aanwezig is. Ze hebben slimme wiskunde en computergestuurd leren gebruikt om ervoor te zorgen dat deze zaklamp super nauwkeurig is, en ze hebben bewezen dat het werkt op echte melk zonder dat er dure, ingewikkelde apparatuur voor nodig is.

Wat ze niet beweerden:

Ze beweerden niet dat dit een apparaat is dat je momenteel in de winkel kunt kopen.
Ze beweerden niet dat dit ziekten geneest of de manier waarop artsen patiënten behandelen verandert.
Ze beweerden niet dat het werkt op elk type voedsel, alleen op de zuivelproducten die zij hebben getest.

Hun hoofddoel was simpelweg om te bewijzen dat deze nieuwe "op rozen gebaseerde gloeiende sensor" een betrouwbare manier is om te controleren of melk veilig is voor de aanwezigheid van dit specifieke antibioticumresidue.

Technische Samenvatting: Selectieve Fluorescentiedetectie van Metronidazol in Traditionele Zuivelproducten

Probleemstelling
Het overmatige en onjuiste gebruik van antibiotica in de veehouderij heeft geleid tot de accumulatie van residuen, zoals metronidazol (MNZ), in voedselvoorraden zoals melk en vlees. Deze residuen vormen aanzienlijke risico's voor de volksgezondheid, waaronder allergische reacties, verstoring van de darmmicrobiota en het ontstaan van antibioticaresistente bacteriestammen. Hoewel methoden zoals HPLC en UV-Vis spectroscopie bestaan voor de detectie van MNZ, worden deze vaak beperkt door hoge kosten, complexe monsterbereiding en matrixinterferentie. Er is een kritieke behoefte aan snelle, gevoelige en kosteneffectieve analytische methoden om antibioticaresidu's in traditionele zuivelproducten te monitoren om de voedselveiligheid te waarborgen.

Methodologie
In deze studie is een groene fluorescentiesensor ontwikkeld op basis van koolstofkwantumstippen (Carbon Quantum Dots, CQDs) die via een hydrothermische methode zijn gesynthetiseerd uit Rosa canina (hondsroos). Het onderzoek integreerde experimenteel ontwerp en machine learning om de prestaties van de sensor te optimaliseren en te valideren.

Synthese en Karakterisering: CQDs werden gesynthetiseerd door Rosa canina-extract te verhitten in een Teflon-autoclaaf bij 200°C gedurende 24 uur. De resulterende nanomaterialen werden gekarakteriseerd met behulp van fluorescentiespectroscopie, FTIR, SEM, EDX en elementaire mapping. De CQDs bleken bijna bolvormig met een gemiddelde diameter van ~~2 nm, rijk aan koolstof (~~50,9%) en zuurstof (~26%), en gefunctionaliseerd met carboxyl- en hydroxylgroepen.
Experimenteel Ontwerp (DoE): Een Central Composite Design (CCD) binnen de Response Surface Methodology (RSM) werd toegepast om de sensorparameters te optimaliseren. Drie onafhankelijke variabelen werden getest: pH (4,0–10,0), reactietijd (0,5–5,0 min) en temperatuur (34–60°C). Een kwadratisch model werd gebruikt om de fluorescentie-quenching respons ( $F_0/F$ ) te voorspellen.
Integratie van Machine Learning: Om de voorspellende nauwkeurigheid te verbeteren, werden zes gesuperviseerde machine learning regressiemodellen (SVR, Random Forest, ANN, KNN, GBR, DTR) getraind met behulp van Python en Scikit-learn. De modellen werden geëvalueerd op basis van $R^2$ , RMSE en MAE om het beste algoritme te bepalen voor het voorspellen van MNZ-concentraties.
Monsterbereiding: Ruwe melkmonsters werden verwerkt door eiwitten te precipiteren met trichloroazijnzuur, te neutraliseren met NaOH, en te centrifugeren om een helder supernatant voor analyse te verkrijgen.

Belangrijkste Resultaten

Optimalisatie: Het kwadratische model vertoonde een hoge statistische fit ( $R^2 = 0,9958$ , Adjusted $R^2 = 0,9919$ ). ANOVA bevestigde dat pH en reactietijd de meest significante factoren waren die de fluorescentierespons beïnvloedden, terwijl temperatuur een verwaarloosbaar effect had onder de geteste condities.
Prestaties van Machine Learning: Onder de geteste algoritmen presteerde het Random Forest-model het beste, waarbij het de hoogste $R^2$ (~0,96) en de laagste foutmarges (RMSE en MAE) behaalde. Dit gaf aan dat het superieur was in het modelleren van de niet-lineaire relaties in de sensordata vergeleken met Lineaire Regressie of SVR.
Analytische Prestaties: Onder geoptimaliseerde condities vertoonde de sensor een lineair detectiebereik van 5,0–400,0 µM voor metronidazol. De detectiegrens (LOD) werd berekend op 2,24 µM, en de kwantificatiegrens (LOQ) op 7,39 µM. De methode vertoonde een uitstekende herhaalbaarheid (RSD = 3,38%) en reproduceerbaarheid (RSD = 3,47%).
Selectiviteit en Interferentie: De sensor vertoonde een hoge selectiviteit voor metronidazol. Veel voorkomende co-existente stoffen in zuivel, waaronder metaalionen (Ca²⁺, K⁺, Na⁺), eiwitten (caseïne), suikers (lactose) en andere antibiotica (bijv. tetracycline, amoxicilline), interfereerden niet significant met het fluorescentiesignaal.
Toepassing in de Praktijk: Bij toepassing op gespikte traditionele zuivelmonsters bereikte de sensor terugwinningspercentages tussen 100,5% en 101,7% met lage relatieve standaardafwijkingen, wat de betrouwbaarheid in complexe voedselmatrices bevestigt.

Betekenis en Claims
De auteurs beweren dat dit werk een duurzame, "groene" benadering van antibioticamonitoring presenteert door landbouwafval (Rosa canina) te gebruiken om hoogwaardige sensoren te creëren. De studie benadrukt de succesvolle integratie van Design of Experiments (DoE) en Machine Learning om de sensorprestaties en voorspellende modellering te verfijnen, waarmee verder wordt gegaan dan traditionele trial-and-error optimalisatie.

De paper stelt dat de ontwikkelde CQD-gebaseerde sensor een levensvatbaar alternatief biedt voor dure en complexe chromatografische methoden. Het biedt een gevoelige, selectieve en snelle tool voor de detectie van metronidazol in traditionele zuivelproducten, wat bijdraagt aan de voedselveiligheidsbewaking en de mitigatie van risico's op antibioticaresistentie. De auteurs positioneren de methode als bijzonder geschikt voor routinematige voedselveiligheidsbeoordelingen in artisanale en traditionele zuivelcontexten.