CN107462564B - 一种基于银超晶体的黄曲霉毒素b1快速免标记检测方法 - Google Patents

一种基于银超晶体的黄曲霉毒素b1快速免标记检测方法 Download PDF

Info

Publication number
CN107462564B
CN107462564B CN201710568030.6A CN201710568030A CN107462564B CN 107462564 B CN107462564 B CN 107462564B CN 201710568030 A CN201710568030 A CN 201710568030A CN 107462564 B CN107462564 B CN 107462564B
Authority
CN
China
Prior art keywords
aflatoxin
sample
raman spectrum
silver
raman
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201710568030.6A
Other languages
English (en)
Other versions
CN107462564A (zh
Inventor
陈全胜
杨明秀
欧阳琴
孙浩
刘妍
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Jiangsu University
Original Assignee
Jiangsu University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Jiangsu University filed Critical Jiangsu University
Priority to CN201710568030.6A priority Critical patent/CN107462564B/zh
Publication of CN107462564A publication Critical patent/CN107462564A/zh
Application granted granted Critical
Publication of CN107462564B publication Critical patent/CN107462564B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/62—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light
    • G01N21/63—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light optically excited
    • G01N21/65—Raman scattering
    • G01N21/658—Raman scattering enhancement Raman, e.g. surface plasmons

Landscapes

  • Health & Medical Sciences (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Investigating, Analyzing Materials By Fluorescence Or Luminescence (AREA)

Abstract

本发明公开了一种基于银超晶体的黄曲霉毒素B1快速免标记检测方法，属于食品监测等技术领域。首先通过在超大孔介孔二氧化硅模板上负载银，构建介孔结构的银超晶体表面增强拉曼基底，建模样本表面增强拉曼光谱信号的采集，采用密度泛函理论计算黄曲霉毒素B1的理论拉曼光谱，对比计算的理论拉曼光谱和采集的表面增强拉曼光谱对黄曲霉毒素B1进行特征峰归属，表面增强拉曼光谱的预处理，根据特征峰的归属挑选具有代表性的特征变量，采用多元校正的方法建立黄曲霉毒素B1浓度和对应表面增强拉曼光谱变量之间的定量关系模型，模型精确度和稳定性的评估。本方法操作简单，检测速度快、精度较高、稳定性好等可以对黄曲霉毒素B1实现大批量原位检测。

Description

一种基于银超晶体的黄曲霉毒素B1快速免标记检测方法
技术领域
本发明介绍了一种基于银超晶体的黄曲霉毒素B1快速免标记检测方法，制备了银超晶体以超大介孔二氧化硅作为模板的表面拉曼增强基底来增强真菌毒素的拉曼信号，采用密度泛函理论计算了真菌毒素的理论拉曼光谱，采用数据建模的方法建立真菌毒素浓度和对应拉曼光谱之间的定量关系模型。本发明方法操作简单，检测速度快、精度较高、稳定性好等可以实现对真菌毒素的大批量原位检测。
背景技术
真菌毒素是玉米、花生等谷物食品中常见的微生物毒素，是真菌在食品或饲料里生长所产生的有毒次级代谢产物，具有潜在的致肝癌、胃癌、肾癌、肠癌的可能性。目前常规的用于真菌毒素的检测方法，主要有生物鉴定法，但此方法只能用于定性检测，专一性不强，灵敏度低；化学分析法(薄层层析法)，精密度差，难以在实际中应用；仪器法(气相色谱法、液相色谱法、气质联用法、液质联用法)，但前处理复杂，仪器昂贵；免疫分析法(酶联免疫吸附法，免疫荧光技术，放射免疫测定法等)，但此方法存在一定的假阳性。所以急需建立一种灵敏度高、稳定性强、操作简单的真菌毒素快速、定量检测方法。
拉曼散射光谱可以获取分子结构的指纹信息，具有强大的分子识别能力，是分子信息快速获取的理想手段。而表面增强拉曼光谱技术作为拉曼光谱技术的延伸和发展在微量物质的定量分析检测上有越来越多的应用。根据被测物特定波长下的拉曼峰强度，可以建立被测物浓度和拉曼峰强度之间的线性关系。但由于背景信号、荧光信号、噪音等的干扰，采用单一的峰强度有时并不能与被测物浓度建立很好的相关关系，因此，本专利在制备的银超晶体表面拉曼增强基底的基础上采集样本的拉曼光谱，采用密度泛函理论计算真菌毒素的理论拉曼光谱，进行拉曼谱峰归属，提出特征变量，光谱预处理方法对采集的光谱进行预处理，最后利用数据处理算法建立拉曼光谱预测值和被测物真实值之间的相关关系模型，并对模型的精确度和稳定性进行评估。
发明内容
本发明的目的是提供一种基于银超晶体的黄曲霉毒素B1快速免标记检测方法，该方法结合表面增强拉曼光谱技术和数据建模的方法，实现了真菌毒素的快速免标记检测，对真菌毒素的检测稳定性好，灵敏度高。
为了实现上述目的，本发明的技术方案包括：超大孔介孔二氧化硅模板上负载银超晶体的表面增强拉曼基底的构建，建模样本表面增强拉曼光谱信号的采集，采用密度泛函理论计算真菌毒素的理论拉曼光谱，对比计算的理论拉曼光谱和采集的表面增强拉曼光谱对真菌毒素进行特征峰归属及特征变量的提取，表面增强拉曼光谱的预处理，采用数据建模的方法建立真菌毒素浓度和对应拉曼光谱之间的定量关系模型，模型精确度和稳定性的评估。该方法适用于食品安全、环境监测等技术领域。
上述的一种基于银超晶体的黄曲霉毒素B1快速免标记检测方法，包括如下具体步骤：1)超大孔介孔二氧化硅(EP-FDU-12)的制备：1.0g三嵌段高分子共聚物EO106PO70EO106(聚丙二醇与环氧乙烷的加聚物，pluronic F127)与1.2g 1,3,5-三甲基苯(TMB)，2.5g氯化钾溶解在60mL,2M的盐酸中，15±0.1℃的条件下搅拌2h，4.16g四乙基正硅酸盐(TEOS)加入上述溶液，15±0.1℃的条件下强烈搅拌24h，反应结束后将溶液转移到高压反应釜中，100℃下反应24h，室温下过滤，用热的清水洗两次，室温下干燥。表面活性剂在550℃下煅烧6h除去，得到的白色粉末即为EP-FDU-12。
2)2D银超晶体(2D AgNP)的组装：1mL，3M的硝酸银通过湿化学的方法浸渍在1gEP-FDU-12介孔二氧化硅粉末中，逐滴滴加，边滴加边混合，让EP-FDU-12刚好湿为止，复合材料在减少真空的条件下50℃干燥12h，完全干燥后将1.1mL乙二醇滴在粉末上，160℃条件下干燥1h，还原银，得到棕色粉末，用3M的热的氢氧化钠清洗4次，热的蒸馏水清洗两次除去EP-FDU-12模板，得到的样品即为2D AgNP，样品储存在水溶液中室温下保存。
3)样品表面增强拉曼光谱(SERS)的采集：3uL合成的2D银超晶体的水溶液滴在0.8×0.8mm2的硅片上，空气中干燥，将其分别浸没在不同浓度的样品溶液中4h，空气中干燥后在其上滴加1mM的硝酸刻蚀20min，利用自行搭建的便携式拉曼光谱仪采集拉曼光谱，激光功率350mW,曝光时间2s，每个样品选择5个点采集五条拉曼光谱，平均值作为此样本的原始光谱。
4)采用密度泛函理论(DFT)计算真菌毒素的理论拉曼光谱：用GaussView 5.08构造真菌毒素的分子构型，采用DFT的B3LYP方法的B3LYP/6-31GD(d,p)基组计算真菌毒素的理论拉曼光谱，C，H，O原子采用6-31GD(d,p)基组，真菌毒素频率计算的结果在GaussView5.08软件平台上查看，并用相应的修正因子进行修正。计算得到的黄曲霉毒素B1的理论拉曼特征峰分别位于686,1076,1330,1393,1603,1645,1806,1883cm-1处。
5)拉曼光谱的预处理：将采集到的拉曼光谱进行一阶导数预处理(D1)。
6)真菌毒素特征拉曼谱峰的归属：对比计算得到的理论拉曼光谱和SERS光谱，对真菌毒素的表面增强拉曼谱峰进行归属，挑选具有代表性的特征变量，用于下一步的多元校正分析。
7)建立样品SERS光谱与对应浓度之间的定量关系模型：将建模样本按照浓度从小到大排列按照一定的间隔分为顺练集和预测集，利用主成分分析(PCA)的方法确定体系的最佳主成分数，采用非线性建模分析方法BP-Adaboost建立体系的预测模型。建模过程中取弱预测器个数T为10，对预测误差阈值Φ和主成分因子个数进行优化，以提高预测模型的精度。具体步骤为：首先，对参数Φ在较大取值范围内进行搜索优化，发现当参数Φ取值在0.01～0.19之间时，可获得较理想的模型；然后再在该范围内对Φ和主成分因子数进行进一步优化，研究分别选取10个Φ值(0.01～0.19，步长为0.02)和8个主成分因子(1～8，步长为1)，以模型的RMSEP值来优选参数。在BP-AdaBoost模型的构建中，把BP神经网络看作弱预测器；用训练过的BP网络来预测该训练样本的输出，并把预测误差超过阈值Φ＝0.03的测试样本确定为需要加强学习的样本，增加其样本权重；训练完成后，T个预测模型加权得到最终BP-Adaboost模型。
8)模型的可靠性、稳定性评估：采集不同AFB1浓度的5个样本的拉曼光谱，每个样本平行采集五次光谱，将采集的每条拉曼光谱代入建立的预测模型中，得预测样本的浓度，计算每个样本回收率，平均值，标准偏差和相对标准偏差，评估预测模型的准确性和稳定性。
与现有的技术相比，本发明的优点在于：
本发明制备的表面增强拉曼基底，采用超大孔介孔二氧化硅为模板负载银合成银超晶体作为表面拉曼增强基底。
本发明采用密度泛函理论计算真菌毒素的理论拉曼谱峰，计算得到的黄曲霉毒素B1的理论拉曼特征峰分别位于686,1076,1330,1393,1603,1645,1806,1883cm-1处。
本发明采用1mM的硝酸溶液对负载样品的基底材料进行刻蚀，进一步增强样品的拉曼光谱强度。
本发明对密度泛函理论计算的理论拉曼谱峰和SERS谱峰进行对比，实现特征拉曼谱峰的归属，并挑取特征拉曼变量。
本发明采用D1方法对SERS光谱进行预处理，采用非线性的BP-Adaboost算法建立真菌毒素浓度和特征变量之间的预测模型。
本发明通过计算预测样本的变异系数来评估预测模型的可靠性和稳定性。
本发明制备的的检测方法可用于食品中各种真菌毒素的原位检测，其检测速度快，检测范围广，稳定性、灵敏度高，在食品安全、环境监测等技术领域广泛应用。
附图说明
图1为样本的一阶导数预处理光谱(A)BP-Adaboost建模相关系数结果(B)。
图2为BP-Adaboost模型优化的结果图。
具体实施方式
实施实例1
为了进一步验证本发明所制备的检测方法对食品中真菌毒素的检测作用，本发明实例，以花生油中AFB1的检测为例，具体操作步骤如下：
1)超大孔介孔二氧化硅(EP-FDU-12)的制备：1.0g三嵌段高分子共聚物EO106PO70EO106(聚丙二醇与环氧乙烷的加聚物，pluronic F127)与1.2g 1,3,5-三甲基苯(TMB)，2.5g氯化钾溶解在60mL,2M的盐酸中，15±0.1℃的条件下搅拌2h，4.16g四乙基正硅酸盐(TEOS)加入上述溶液，15±0.1℃的条件下强烈搅拌24h，反应结束后将溶液转移到高压反应釜中，100℃下反应24h，室温下过滤，用热的清水洗两次，室温下干燥。表面活性剂在550℃下煅烧6h除去，得到的白色粉末即为EP-FDU-12。
2)2D银超晶体(2D AgNP)的组装：1mL，3M的硝酸银通过湿化学的方法浸渍在1gEP-FDU-12介孔二氧化硅粉末中，逐滴滴加，边滴加边混合，让EP-FDU-12刚好湿为止，复合材料在减少真空的条件下50℃干燥12h，完全干燥后将1.1mL乙二醇滴在粉末上，160℃条件下干燥1h，还原银，得到棕色粉末，用3M的热的氢氧化钠溶液清洗4次，热的蒸馏水清洗两次除去EP-FDU-12模板，得到的样品即为2D AgNP，样品储存在水溶液中室温下保存，待用。
3)AFB1表面增强拉曼光谱(SERS)的采集：3uL合成的2D AgNP的水溶液滴在0.8×0.8mm2的硅片上，空气中干燥，将其分别浸没在不同浓度的AFB1(5,10,20,30,40,50,60,70,80,90,100ng/mL)溶液中4h，空气中干燥后在其上滴加1mM的硝酸刻蚀20min，利用自行搭建的便携式拉曼光谱仪采集拉曼光谱，激光功率350mW,曝光时间2s，每个样本选择5个点采集五条拉曼光谱，平均值作为此样本的原始光谱。
4)采用密度泛函理论(DFT)计算AFB1的理论拉曼光谱：用GaussView 5.08构造真菌毒素的分子构型，采用DFT的B3LYP方法的B3LYP/6-31GD(d,p)基组计算真菌毒素的理论拉曼光谱，C，H，O原子采用6-31GD(d,p)基组，真菌毒素频率计算的结果在GaussView 5.08软件平台上查看，并用相应的修正因子进行修正。
5)拉曼光谱的预处理：将采集到的拉曼光谱进行一阶导数预处理(D1)。
6)AFB1特征拉曼谱峰的归属：对比计算得到的理论拉曼光谱和SERS光谱，对真菌毒素的表面增强拉曼谱峰进行归属，挑选具有代表性的特征变量(685，1075,1271,1348,1552,1593,1690,1750cm-1)，用于下一步的多元校正分析。
7)建立AFB1的SERS光谱特征变量与对应浓度之间的定量关系模型:将建模样本按照浓度从小到大排列按照一定的间隔分为顺练集和预测集，利用主成分分析(PCA)的方法确定体系的最佳主成分数，采用非线性建模分析方法BP-Adaboost建立体系的预测模型。建模过程中取弱预测器个数T为10，对预测误差阈值Φ和主因子个数进行优化，以提高预测模型的精度.具体步骤为：首先，对参数Φ在较大取值范围内进行搜索优化，发现当参数Φ取值在0.01～0.19之间时，可获得较理想的模型；然后再在该范围内对Φ和主成分因子数进行进一步优化，研究分别选取10个Φ值(0.01～0.19，步长为0.02)和8个主成分因子(1～8，步长为1)，以模型的RMSEP值来优选参数。在BP-Adaboost模型的构建中，把BP神经网络看作弱预测器；用训练过的BP网络来预测该训练样本的输出，并把预测误差超过阈值Φ＝0.03的测试样本确定为需要加强学习的样本，增加其样本权重；训练完成后，T个预测模型加权得到最终BP-Adaboost模型。最优模型RMSEP和RP值分别为10.1，0.9483。最优模型预测集样本的预测值和实际参考测量值之间的散点图如图1所示，BP-Adaboost模型优化的结果图如图2所示。
8)模型的可靠性、稳定性评估：采集实际花生油样本中不同AFB1浓度(10,40，60,80,100ng/mL)的5个样本的拉曼光谱，每个样本平行采集五次光谱，将采集的每条拉曼光谱代入建立的预测模型中，得预测样本的浓度，计算结果显示五个实际样本的AFB1回收率在92.6％-113％之间，相对标准偏差小于5％，表明本发明方法和建立的预测模型对AFB1的检测具有很好的准确性和稳定性，可以用于实际花生油样本中AFB1的快速、定量检测，结果如表1所示。
表1 为实际花生油样本中AFB1的检测结果
Figure BDA0001348890890000061
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示意性实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管已经示出和描述了本发明的实施例，本领域的普通技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由权利要求及其等同物限定。

Claims (8)

1.一种基于银超晶体的黄曲霉毒素B1快速免标记检测方法，其特征在于，该方法包括如下具体步骤：
1)超大孔介孔二氧化硅EP-FDU-12的制备：三嵌段高分子共聚物EO106PO70EO106与1,3,5-三甲基苯TMB、氯化钾溶解在盐酸中搅拌得到混合溶液，四乙基正硅酸盐TEOS加入上述溶液，再次搅拌，反应结束后将溶液转移到高压反应釜中，反应一段时间后室温下过滤，用热的清水洗两次，室温下干燥，表面活性剂经过煅烧除去，得到的白色粉末为EP-FDU-12；
2)2D银超晶体2D AgNP的组装：硝酸银溶液通过湿化学的方法浸渍在EP-FDU-12介孔二氧化硅粉末中，逐滴滴加，边滴加边混合，让EP-FDU-12刚好湿为止，复合材料在减少真空的条件下干燥，干燥后将乙二醇滴在粉末上干燥，还原银，得到棕色粉末，用氢氧化钠溶液清洗，热的蒸馏水清洗两次除去EP-FDU-12模板，得到的样品即为2D AgNP；
3)样品表面增强拉曼光谱SERS的采集：2D银超晶体的水溶液滴在硅片上，空气中干燥，将其分别浸没在不同浓度的黄曲霉毒素B1溶液中，利用自行搭建的便携式拉曼光谱仪采集拉曼光谱；
4)采用密度泛函理论DFT计算黄曲霉毒素B1的理论拉曼光谱：用GaussView构造黄曲霉毒素B1的分子构型，采用DFT的B3LYP方法的B3LYP/6-31GD(d,p)基组计算黄曲霉毒素B1的理论拉曼光谱，C，H，O原子采用6-31GD(d,p)基组，黄曲霉毒素B1频率计算的结果在GaussView软件平台上查看，并用相应的修正因子进行修正；
5)实现真菌毒素特征拉曼谱峰的归属，用于下一步的多元校正分析；
6)建立样品SERS光谱与对应浓度之间的定量关系模型:将采集的拉曼光谱进行一阶导数预处理D1，建模样本按照浓度从小到大排列按照一定的间隔分为训练集和预测集，采用BP-Adaboost建模方法，建立真菌毒素浓度与挑选的拉曼特征变量之间的定量关系模型；
7)模型的可靠性、稳定性评估：采集不同AFB1浓度的5个样本的拉曼光谱，每个样本平行采集五次光谱，将采集的每条拉曼光谱代入建立的预测模型中，得预测样本的浓度，计算每个样本回收率，平均值，标准偏差和相对标准偏差，评估预测模型的准确性和稳定性。
2.根据权利要求1所述的一种基于银超晶体的黄曲霉毒素B1快速免标记检测方法，其特征在于，采用EP-FDU-12为模板负载银合成2D AgNP作为表面拉曼增强基底。
3.根据权利要求1所述的一种基于银超晶体的黄曲霉毒素B1快速免标记检测方法，其特征在于，所述步骤3)中，还包括采用1mM的硝酸溶液对负载样品的基底材料进行刻蚀，增强样品的拉曼光谱强度。
4.根据权利要求1所述的一种基于银超晶体的黄曲霉毒素B1快速免标记检测方法，其特征在于，采用密度泛函理论计算真菌毒素的理论拉曼谱峰，计算得到的黄曲霉毒素B1的理论拉曼特征峰分别位于686,1076,1330,1393,1603,1645,1806,1883cm-1处。
5.根据权利要求1所述的一种基于银超晶体的黄曲霉毒素B1快速免标记检测方法，其特征在于，所述步骤5)中，对密度泛函理论计算的理论拉曼谱峰和SERS谱峰进行对比，实现特征拉曼谱峰的归属，并挑取特征拉曼变量。
6.根据权利要求1所述的一种基于银超晶体的黄曲霉毒素B1快速免标记检测方法，其特征在于，所述步骤2)的具体过程为：2D银超晶体2D AgNP的组装：0.5mL，3M的硝酸银溶液通过湿化学的方法浸渍在0.5g EP-FDU-12介孔二氧化硅粉末中，逐滴滴加，边滴加边混合，让EP-FDU-12刚好湿为止，复合材料在减少真空的条件下50℃干燥12h，完全干燥后将0.55mL乙二醇滴在粉末上，160℃条件下干燥1h，还原银，得到棕色粉末，用3M的热的氢氧化钠溶液清洗4次，热的蒸馏水清洗两次除去EP-FDU-12模板，得到的样品即为2D AgNP，样品储存在水溶液中室温下保存，待用。
7.根据权利要求1所述的一种基于银超晶体的黄曲霉毒素B1快速免标记检测方法，其特征在于，所述步骤3)的具体过程为：样品表面增强拉曼光谱SERS的采集：5uL合成的2D银超晶体的水溶液滴在0.8×0.8mm2的硅片上，空气中干燥，将其分别浸没在不同浓度的黄曲霉毒素B1溶液中4h，取出后干燥并用硝酸溶液刻蚀，利用自行搭建的便携式拉曼光谱仪采集拉曼光谱，激光功率350mW,曝光时间2s，每个样品选择5个点采集五条拉曼光谱，平均值作为此样本的原始拉曼光谱。
8.根据权利要求1所述的一种基于银超晶体的黄曲霉毒素B1快速免标记检测方法，其特征在于，所述步骤6)的具体过程为：将采集的拉曼光谱进行一阶导数预处理D1，建模样本按照浓度从小到大排列按照一定的间隔分为训练集和预测集，采用BP-Adaboost建模方法，建模过程中取弱预测器个数T为10，对预测误差阈值Φ和主成分因子个数进行优化，以提高预测模型的精度；具体步骤为：首先，对参数Φ在较大取值范围内进行搜索优化，发现当参数Φ取值在0.01～0.19之间时，可获得较理想的模型；然后再在0.01～0.19范围内对Φ和主成分因子数进行进一步优化，研究分别选取10个Φ值，该值范围在0.01～0.19，步长为0.02，和8个主成分因子，该因子范围在1～8，步长为1，以模型的RMSEP值来优选参数；在BP-AdaBoost模型的构建中，把BP神经网络看作弱预测器；用训练过的BP网络来预测该训练集的训练样本的输出，并把预测误差超过阈值Φ＝0.03的测试样本确定为需要加强学习的样本，增加其样本权重；训练完成后，T个预测模型加权得到最终BP-Adaboost模型。
CN201710568030.6A 2017-07-13 2017-07-13 一种基于银超晶体的黄曲霉毒素b1快速免标记检测方法 Active CN107462564B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710568030.6A CN107462564B (zh) 2017-07-13 2017-07-13 一种基于银超晶体的黄曲霉毒素b1快速免标记检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710568030.6A CN107462564B (zh) 2017-07-13 2017-07-13 一种基于银超晶体的黄曲霉毒素b1快速免标记检测方法

Publications (2)

Publication Number Publication Date
CN107462564A CN107462564A (zh) 2017-12-12
CN107462564B true CN107462564B (zh) 2020-03-31

Family

ID=60546232

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710568030.6A Active CN107462564B (zh) 2017-07-13 2017-07-13 一种基于银超晶体的黄曲霉毒素b1快速免标记检测方法

Country Status (1)

Country Link
CN (1) CN107462564B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109342602A (zh) * 2018-11-21 2019-02-15 中国计量大学 一种液体中黄曲霉毒素检测装置
CN111912929A (zh) * 2020-06-01 2020-11-10 厦门大学 一种黄曲霉毒素b1的提取方法及应用

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102735677A (zh) * 2012-07-13 2012-10-17 湖南大学 一种具有普适性的表面增强拉曼光谱定量分析方法
CN104914089A (zh) * 2015-06-18 2015-09-16 清华大学 用表面增强拉曼光谱对痕量混合物进行半定量分析的方法
CN106442465A (zh) * 2016-11-03 2017-02-22 南京师范大学 一种基于纳米银多孔硅非标记拉曼光谱检测黄曲霉毒素b1方法
CN106928397A (zh) * 2017-03-15 2017-07-07 集美大学 基于分子印迹聚合物包金核壳纳米粒子的黄曲霉素b1分子sers检测方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8810789B2 (en) * 2011-11-07 2014-08-19 University Of Georgia Research Foundation, Inc. Thin layer chromatography-surfaced enhanced Raman spectroscopy chips and methods of use

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102735677A (zh) * 2012-07-13 2012-10-17 湖南大学 一种具有普适性的表面增强拉曼光谱定量分析方法
CN104914089A (zh) * 2015-06-18 2015-09-16 清华大学 用表面增强拉曼光谱对痕量混合物进行半定量分析的方法
CN106442465A (zh) * 2016-11-03 2017-02-22 南京师范大学 一种基于纳米银多孔硅非标记拉曼光谱检测黄曲霉毒素b1方法
CN106928397A (zh) * 2017-03-15 2017-07-07 集美大学 基于分子印迹聚合物包金核壳纳米粒子的黄曲霉素b1分子sers检测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Ni@Au nanoparticles for surface enhanced Raman spectroscopy based ultrasensitive magnetic immunoassay on aflatoxin B1;Congwei Fang等;《RSC Advances》;20160607;第6卷(第66期);第61325–61333页 *
Real-Time Probing Nanopore-in-Nanogap Plasmonic Coupling Effect on Silver Supercrystals with Surface-Enhanced Raman Spectroscopy;Cong Ma等;《Adv. Funct. Mater.》;20161103;第27卷(第2期);第1-8页 *

Also Published As

Publication number Publication date
CN107462564A (zh) 2017-12-12

Similar Documents

Publication Publication Date Title
CN107219188B (zh) 一种基于改进dbn的近红外光谱分析纺织品棉含量的方法
CN107462564B (zh) 一种基于银超晶体的黄曲霉毒素b1快速免标记检测方法
CN111198165A (zh) 一种基于光谱数据标准化进行水质参数的测定方法
CN102072767A (zh) 基于波长相似性共识回归红外光谱定量分析方法和装置
CN111488926A (zh) 一种基于优化模型的土壤有机质测定方法
CN109060771B (zh) 一种基于光谱不同特征集的共识模型构建方法
Jiang et al. Qualitative and quantitative analysis in solid-state fermentation of protein feed by FT-NIR spectroscopy integrated with multivariate data analysis
CN113008805A (zh) 基于高光谱成像深度分析的白芷饮片质量预测方法
CN115905881A (zh) 黄珍珠分类的方法以及装置、电子设备、存储介质
CN109283153B (zh) 一种酱油定量分析模型的建立方法
CN114002162A (zh) 土壤有机碳含量估算方法、设备、存储介质及程序产品
CN113408616A (zh) 基于pca-uve-elm的光谱分类方法
CN116858822A (zh) 一种基于机器学习和拉曼光谱的水体中磺胺嘧啶定量分析方法
CN110887798B (zh) 基于极端随机树的非线性全光谱水体浊度定量分析方法
CN117347302A (zh) 基于物联网的微型相关滤波红外法碳监测气体传感器
CN110567385A (zh) 基于高光谱技术的建筑反射隔热涂料施工厚度检测方法
CN115078327A (zh) 一种基于神经网络架构搜索的危险化学品快速检测方法
CN114878543A (zh) 一种痕量物质的拉曼光谱探测识别方法及系统
CN114544592A (zh) 一种基于卷积神经网络的拉曼光谱智能分类方法
CN109459402B (zh) 一种光谱法水质cod参数预测方法
CN111562226B (zh) 基于吸收光谱特征峰面积的海水总氮总磷分析方法及系统
CN116541694A (zh) 一种光谱信息分离聚合方法
CN113358584B (zh) 一种利用光谱估算土壤有机质含量的方法
CN118035649A (zh) 一种基于频谱图的光谱数据处理和分析方法
CN113740293B (zh) 基于近红外建模的尿素检测分析方法及装置

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
CB03 Change of inventor or designer information
CB03 Change of inventor or designer information

Inventor after: Chen Quansheng

Inventor after: Yang Mingxiu

Inventor after: Ou Yangqin

Inventor after: Sun Hao

Inventor after: Liu Yan

Inventor before: Yang Mingxiu

Inventor before: Chen Quansheng

Inventor before: Ou Yangqin

Inventor before: Sun Hao

Inventor before: Liu Yan

GR01 Patent grant
GR01 Patent grant
EE01 Entry into force of recordation of patent licensing contract
EE01 Entry into force of recordation of patent licensing contract

Application publication date: 20171212

Assignee: Changzhou Jintan Jiangnan pulverizing Co.,Ltd.

Assignor: JIANGSU University

Contract record no.: X2020320000093

Denomination of invention: A rapid label free method for aflatoxin B1 detection based on silver crystal

Granted publication date: 20200331

License type: Common License

Record date: 20201021