Ratiometric Determination and Discrimination of Oxicams via Dual-Excitation Carbon Dots Assisted by Machine Learning

研究背景

昔康类药物属于常见的非甾体抗炎药。对这类药物进行灵敏检测与类别判别，有助于药物分析和风险监测。该研究把荧光传感与机器学习结合，避免只依赖单一光谱读数。

传感方法

研究通过水热法制备氟氮共掺杂碳点。材料在 280 nm 和 340 nm 附近具有两个激发峰；固定发射波长后，两个激发强度之比会随昔康类药物浓度变化。工作以美洛昔康作为模型化合物验证定量能力。

机器学习判别

在比较多种算法后，研究使用 XGBoost 处理低浓度范围内的昔康类药物判别，并进一步构建卷积神经网络辅助的传感平台，用于真实样本中的浓度预测。

根据索引元数据中的摘要，该方法对美洛昔康的检测限为 97 nM，覆盖 0.097–25 μM 的浓度范围；XGBoost 在给定实验数据中的未知样本判别达到 100% 准确率。这里保留的是论文报告结果，不将其扩展解释为超出原实验范围的普遍性能。

发表信息

• 期刊： Analytical Chemistry
• 卷期页码： Volume 97, Issue 39, pages 21428–21437
• 在线发表： 2025-09-25
• DOI： 10.1021/acs.analchem.5c03226

本页元数据由作者 Google Scholar 主页发现，并通过 Crossref、OpenAlex 与 Semantic Scholar 交叉核验。引用次数属于动态数据，因此不写入仓库。