摘要：一组研究人员制定了一种新的策略来识别土壤中的危险污染物，即使是从未在实验室中隔离或研究的污染物。...

莱斯大学和贝勒医学院的一组研究人员制定了一种新的策略，以识别土壤中有害污染物的危险污染物，即使是从未在实验室中隔离或研究的污染物。

在发表在一项研究中的新方法国家科学院论文集，使用基于光的成像，化合物的光标记和机器学习（ML）算法的理论预测来检测有毒化合物，例如多环状芳族烃（PAHS）及其衍生化合物（PACS）。 PAHS和PAC的常见副产品与癌症，发育问题和其他严重的健康问题有关。

识别土壤中的污染物通常需要先进的实验室和可疑污染物的标准物理参考样品。但是，对于许多构成公共卫生风险的环境污染物，没有可用于检测它们的实验数据。

赖斯大学教授，斯坦利·C·摩尔（Stanley C. Moore）的电气和计算机工程教授娜奥米·哈拉斯（Naomi Halas）说：“这种方法使鉴定尚未通过实验隔离的化学物质成为可能。”

新方法使用一种称为表面增强拉曼光谱的基于光的成像技术，该技术分析了光与分子相互作用，独特的模式或光谱，它们会发出。光谱是每种化合物的“化学指纹”。通过使用旨在增强光谱中相关性状的签名纳来完善该技术。

使用密度函数理论 - 一种计算建模技术，可以预测原子和电子在分子中的行为 - 研究人员根据化合物的分子结构计算了整个PAH和PAC的光谱。这使他们能够为PAHS和PACS生成“指纹”的虚拟库。

两种互补的ML算法 - 特征峰提取和特征峰值相似性 - 用于解析现实世界样品中相关的光谱性状，并将它们匹配以在光谱虚拟库中映射的化合物。

哈拉斯说：“我们正在土壤中使用PAH来说明这一非常重要的新策略。” “有成千上万种PAH衍生的化学物质，这种方法 - 计算它们的光谱，并使用机器学习将理论上计算的光谱与样品中观察到的光谱联系起来 - 使我们能够识别出我们可能没有或不提供任何实验性数据的化学物质。”

该方法解决了环境监测中的一个危险差距，为识别更广泛的危险化合物打开了大门，包括随着时间的推移而变化的化合物。鉴于土壤是一个动态环境，化学物质会受到可以使它们更难检测到的动态环境，这一点尤其重要。

赖斯的威廉·马什赖斯受托人化学和生物分子工程副教授托马斯·森夫尔（Thomas Senftle）将过程与使用面部识别的过程进行了比较，以便在人群中找到一个人。

森夫尔说：“您可以想象我们有一个十几岁的人的照片，但现在他们已经30多岁了。” “在我的小组中，我们的工作是在理论方面，我们可以预测图片的外观。”

研究人员使用人工污染的样品和对照样品从恢复的流域和自然区域上测试了该方法。结果表明，与传统技术相比，使用更简单，更快的过程可靠地挑选出了新的方法。

这项研究的稻米研究科学家Oara Neumann说：“这种方法可以识别鲜为人知的，很大程度上未研究的PAH和PAC污染物分子。”

将来，该方法可以通过将ML算法和理论光谱库与便携式拉曼设备集成到移动系统中来实现现场测试，从而使农民，社区和环境机构更容易测试土壤的危险化合物，而无需将样品发送给专业实验室和等待日期。

赖斯电气和计算机工程助理教授，BCM神经科学助理教授Ankit Patel是与Halas一起研究的相应作者。

其他稻米合着者包括计算机科学博士校友Yilong Ju；博士生Sarah Denison，Peixuan Jin和Andres Sanchez-Alvarado；彼得·诺德兰（Peter Nordlander），Wiess物理和天文学主席，电气和计算机工程与材料科学和纳米工程学教授；乔治·布朗·布朗（George R.

该研究得到了美国国立卫生研究院（P42ES027725-01），韦尔奇基金会（C-1220，C-1222）和卡尔和莉莉安·伊利格奖学金（Smalley-Curl Institute，H20398-239440）的支持。这里的内容仅是作者的责任，并不一定代表资助组织和机构的官方观点。