组成图示
点击图片查看大图 · 依据论文自动绘制
传感器类型
电化学生物传感器
检测对象
邻苯二酚（catechol）；样品基质：城市固体废物堆肥生物修复的堆肥浸提液（compost extract）
检测原理
邻苯二酚（catechol，QH2）作为电子供体，被固定在 Fe3O4–SiO2 纳米颗粒上的漆酶催化氧化为醌/自由基（Q），同时 O2 被还原为水；生成的 Q 在 MCPE 表面（-0.232 V vs SCE）接受电子并再生 QH2，形成酶氧化还原中心与电极之间的电子穿梭，产生安培电流。电流随 catechol 浓度升高而增大，约 70 s 达到稳态电流的 95%。针对堆肥基质复杂、非线性和不确定特性，采用 BP-ANN 对 120 s 内电流时间曲线（响应电流、稳定时间等）建模，将电流特征映射为浓度，从而扩展线性分析范围。
检测灵敏度
线性范围: 7.5×10–7–2.75×10–4 M；灵敏度斜率: 0.1563 ± 0.0030 µA/µM；R^2 = 0.9945；检测范围: 7.5×10–7–4.4×10–4 M
效应效果
传感器对浑浊和自色堆肥基质具有较好耐受性，但复杂有机干扰仍可能引起基线漂移；ANN 可处理非线性与不确定数据。以 HPLC 校准，安培响应约 70 s 达到稳态电流的 95%。线性回归在 7.5×10–7–2.75×10–4 M 内 R^2=0.9945，测试集 R^2>0.999；ANN 将分析范围扩展至 7.5×10–7–4.4×10–4 M，RMSE 为 8.6549 µM，高浓度预测优于线性回归。作者认为该方法快速、灵敏、稳健、便携，可用于城市固体废物堆肥生物修复的在线监测。
传感器的构成
- 工作电极基底：MCPE（石墨粉/石蜡碳糊，内嵌磁铁），提供导电界面并通过磁力固定纳米颗粒
- 纳米修饰层：Fe3O4–SiO2 磁性核壳纳米颗粒，固定漆酶并磁力附着于 MCPE
- 识别元件：laccase（漆酶，EC 1.10.3.2），催化邻苯二酚氧化
- 电子供体：catechol（邻苯二酚，QH2），被氧化为醌/自由基并在电极还原，传递电子
- 信号标记物：无外源标记物；醌/自由基（Q）作为电子穿梭物产生安培信号
- 电化学回路：SCE 参比电极与 Pt foil 辅助电极，配合 CHI660B 采集安培电流
- 数据读出：ANN（BP 网络）对安培电流时间曲线建模，输出邻苯二酚浓度
中文摘要
本文报道了一种基于漆酶固定在磁性核壳（Fe3O4–SiO2）纳米颗粒上的电化学生物传感器，并将其与人工神经网络（ANN）结合，用于城市固体废物堆肥生物修复过程中邻苯二酚浓度的测定。磁性核壳纳米颗粒作为固定基质，为漆酶提供了良好的微环境，有助于保持其生物活性；ANN 则作为化学计量工具，用于处理堆肥体系动态、非线性和不确定性的数据特征。研究采用漆酶传感器与高效液相色谱（HPLC）对堆肥样品中的邻苯二酚进行校准。传感器检测范围为 7.5×10–7 至 4.4×10–4 M，安培响应电流在约 70 s 内达到稳态电流的 95%。将 ANN 模型与线性回归模型在模拟精度、对不确定性的适应性等方面进行比较，结果表明安培酶传感器与 ANN 的结合是一种快速、灵敏且稳健的堆肥体系定量分析方法。
英文摘要
An electrochemical biosensor based on the immobilization of laccase on magnetic core-shell (Fe(3)O(4)-SiO(2)) nanoparticles was combined with artificial neural networks (ANNs) for the determination of catechol concentration in compost bioremediation of municipal solid waste. The immobilization matrix provided a good microenvironment for retaining laccase bioactivity, and the combination with ANNs offered a good chemometric tool for data analysis in respect to the dynamic, nonlinear, and uncertain characteristics of the complex composting system. Catechol concentrations in compost samples were determined by using both the laccase sensor and HPLC for calibration. The detection range varied from 7.5 × 10(-7) to 4.4 × 10(-4) M, and the amperometric response current reached 95% of the steady-state current within about 70 s. The performance of the ANN model was compared with the linear regression model in respect to simulation accuracy, adaptability to uncertainty, etc. All the results showed that the combination of amperometric enzyme sensor and artificial neural networks was a rapid, sensitive, and robust method in the quantitative study of the composting system.