Bu çalışma, gıda matrislerindeki Aflatoksin M1 ve atrazini antikorla işlevselleştirilmiş elektrokimyasal bir sensör ve yapay zekâ destekli sinyal analiziyle ayırt etmeyi araştırıyor. Laboratuvar tasarımlı PCB tabanlı sensörde altın çalışma elektrodu, karbon karşı elektrot ve Ag/AgCl referans elektrodu kullanıldı. Aflatoksin M1 veya atrazine özgü antikorlar elektrot yüzeyine DTSSP çapraz bağlayıcısıyla immobilize edildi; mısır, mısır unu ve protein matrislerine kontrollü miktarlarda eklenen analitlerin bağlanması döngüsel voltametri, kulometri ve özellikle elektrokimyasal empedans spektroskopisi (EIS) ile izlendi. Yaklaşık 198 Hz'deki EIS verilerinden oluşturulan kalibrasyonlarda Aflatoksin M1 için R² = 0,968, atrazin için R² = 0,909 bildirildi.

Çalışmanın yapay zekâ katmanı tek bir empedans değerini kullanmak yerine tüm frekans spektrumundan empedans büyüklüğü |Z|, gerçek empedans Z′, sanal empedans Z″ ve faz açısı özelliklerini kullandı. Random Forest modeli Aflatoksin M1 ile atrazini ayırmada %97,4 doğruluk ve 0,994 ROC-AUC değerine ulaştı. Konsantrasyonlar düşük, orta ve yüksek olarak üç sınıfa ayrıldığında 195 ölçüm üzerinden genel doğruluk %93,33; genel AUC ise 0,985 olarak bildirildi. Bununla birlikte model tamamen görülmemiş bir gıda matrisine aktarıldığında performans belirgin biçimde düştü: ağırlıklı F1 mısırda 0,667, mısır ununda 0,471 ve protein matrisinde 0,716 oldu. Dolayısıyla çalışma yüksek laboratuvar içi sınıflandırma başarısını desteklerken, farklı gıda matrislerine genellemenin hâlâ çözülmesi gereken önemli bir sorun olduğunu da gösteriyor.

Araştırma gerçek piyasa numunelerinde doğal kontaminasyon taraması değildir. Test edilen örnekler analit eklenmiş gıda matrisleridir. Çalışmada formal LOD veya LOQ değeri verilmediği için sensörün düzenleyici sınırların altında hangi kesin tespit limitine sahip olduğu bu kaynaktan çıkarılamaz.

Araştırmanın temel problemi nedir?

Gıda güvenliği sensörlerinde yalnız hedef molekülü algılamak yeterli değildir. Mısır, un veya protein ağırlıklı ürünler; proteinler, karbonhidratlar, tuzlar, parçacıklar ve başka elektrokimyasal olarak etkili bileşenler içerebilir. Bu bileşenler elektrot yüzeyinde spesifik olmayan adsorpsiyon, kirlenme, iletkenlik değişimi ve elektriksel çift tabaka farklılıkları oluşturarak hedef analitin sinyalini değiştirebilir.

Çalışma bu problemi matris etkisi çerçevesinde ele alıyor. Aynı analit farklı gıda ortamlarında bulunduğunda elektrokimyasal temel çizgi değişebildiği için araştırmacılar yalnız tek bir kalibrasyon eğrisi oluşturmak yerine matris başına blank normalizasyonu uyguladı ve tam EIS spektrumunu yapay zekâ ile yorumladı.

Neden Aflatoksin M1 ve atrazin birlikte incelendi?

Aflatoksin M1 ve atrazin iki kimyasal olarak farklı gıda güvenliği hedefini temsil ediyor. Çalışma bu iki analiti aynı antikorla algılamaya çalışmıyor. Her analit için ayrı, analite özgü monoklonal antikorla işlevselleştirilmiş sensör bölgeleri hazırlanıyor.

Bu nedenle sistemin “iki analiti sınıflandırması”, tek bir evrensel çıplak elektrodun bilinmeyen molekülün kimliğini doğrudan belirlemesi anlamına gelmiyor. Ölçülen EIS parmak izi hem hedef bağlanmasından hem de hedefe özgü antikorla oluşturulan elektrot arayüzünden etkilenebilir. Kaynak, bu iki katkıyı birbirinden bağımsız olarak ayıran bir deney sunmuyor.

Sensörün fiziksel yapısı nasıl?

Sensör laboratuvarda tasarlanmış bir baskılı devre kartı (PCB) üzerinde üç elektrotlu elektrokimyasal yapı olarak oluşturuldu:

• Çalışma elektrodu: altın.
• Karşı elektrot: karbon.
• Referans elektrot: Ag/AgCl.
• PCB tabanı: FR4.
• Yüzey kaplaması: bakır kaplı kart üzerinde electroless nickel immersion gold (ENIG).

Altın çalışma elektrodu DTSSP aracılığıyla antikor bağlanmasına uygun yüzey sağladı. Ayrı bölgeler anti-Aflatoksin M1 ve anti-atrazin antikorlarıyla işlevselleştirildi.

Antikor elektrota nasıl bağlandı?

Elektrot önce fosfat tamponlu salinle (PBS) temizlendi. Ardından 10 mM DTSSP ve analite özgü antikor karışımı sensör yüzeyine uygulandı ve 4 °C'de 30 dakika inkübe edildi. Bağlanmamış çapraz bağlayıcı ve fazla antikor PBS ile uzaklaştırıldı.

Analiz sırasında hazırlanan gıda matrisi örneğinden 5 µL sensör yüzeyine verildi ve antikor-hedef bağlanması için 5 dakika bekletildi. Ardından EIS, döngüsel voltametri ve kulometri ölçümleri yapıldı.

Şekil 1'in temel mesajı nedir?

Çalışmanın Şekil 1'i bütün sistemi tek akışta özetliyor. Mısır, mısır unu ve protein matrislerinden gelen örnekler analite özgü antikorlarla kaplanmış elektrokimyasal yüzeye ulaşıyor. Antijen-antikor etkileşiminin elektrot arayüzünde oluşturduğu elektriksel değişiklikler potentiostat ile ölçülüyor. Özellikle EIS spektrumu daha sonra özellik çıkarımı ve hesaplamalı analiz aşamasına aktarılıyor; son aşamada analit kimliği, doz sınıfı ve matrisle ilişkili örüntüler değerlendiriliyor.

Şeklin önemli bilimsel mesajı sensör ile yapay zekânın iki ayrı görev üstlenmesidir: sensör fiziksel bağlanmayı elektriksel parmak izine dönüştürür, makine öğrenmesi ise frekans boyunca dağılmış çok değişkenli bu parmak izini sınıflandırır.

Döngüsel voltametri ne gösterdi?

Döngüsel voltametri (CV) deneyleri 0 V'dan +0,4 V'a, ardından −0,6 V'a ve tekrar 0 V'a tarandı. Tarama hızı 50 mV/s, potansiyel adımı 2 mV idi. Hem Aflatoksin M1 hem atrazin için konsantrasyon arttıkça akım profillerinde ayrışma gözlendi.

Çalışmada harici redoks probu kullanılmadığı için yazarlar CV eğrilerini Aflatoksin M1 veya atrazinin doğrudan elektrokimyasal oksidasyonu/indirgenmesi şeklinde yorumlamıyor. Sinyal; antikor-hedef bağlanması sonrasında yüzey polarizasyonu, kapasitif yüklenme, iyon erişilebilirliği ve elektrot arayüzünde meydana gelen diğer değişikliklerle ilişkilendiriliyor.

Negatif potansiyellerde gözlenen pik belirli bir redoks çiftine atanmıyor. Yazarlar elektrolit veya matrise ait iz bileşenlerin de bu özelliğe katkıda bulunabileceğini açıkça belirtiyor.

Kulometri ne ekledi?

Kulometrik deneylerde 0 V'da 10 saniyelik ön adımın ardından −0,3 V ve +0,3 V'luk 0,5 saniyelik potansiyel adımları uygulandı. Örnekleme aralığı 0,01 saniyeydi.

CV anlık akım değişimini potansiyel taraması boyunca gösterirken kulometri zaman içinde biriken yükü değerlendiriyor. Şekil 2'de her iki analit için doz arttıkça yük eğrilerinin ayrıldığı görülüyor. Yazarlar bu sonucu yine hedef molekülün doğrudan redoks reaksiyonu olarak değil, antikorla işlevselleştirilmiş arayüzdeki bağlanma kaynaklı elektriksel değişimin zaman-integralli göstergesi olarak yorumluyor.

Neden EIS çalışmanın merkezinde?

Elektrokimyasal empedans spektroskopisi tek bir akım veya potansiyel değeri yerine frekans boyunca elektriksel yanıt üretir. Araştırmada EIS, 100 kHz ile 10 Hz arasında, dekad başına 10 nokta kullanılarak ölçüldü. DC potansiyeli 0 V, AC pertürbasyonu 10 mV rms idi ve harici redoks probu kullanılmadı.

Bu nedenle çalışma klasik Faradaik redoks-probu empedansını değil, non-Faradaik elektrot/elektrolit arayüzünü değerlendiriyor. Hedef bağlanması elektriksel çift tabaka, yüzey polarizasyonu, iyon dağılımı ve arayüzün dielektrik özelliklerini değiştirebildiği için özellikle düşük ve orta frekanslarda analit konsantrasyonları arasındaki fark büyüyor.

Şekil 3 ne gösteriyor?

Şekil 3'ün Bode eğrilerinde empedans düşük frekansta daha yüksek, frekans arttıkça daha düşük. Hem Aflatoksin M1 hem atrazin için D0–D5 dozları arasında özellikle düşük frekans bölgesinde ayrışma görülüyor.

Kalibrasyon için spektrumun yaklaşık 198 Hz noktasındaki |Z| değeri seçilmiş. Aflatoksin M1 için konsantrasyon-empedans ilişkisi R² = 0,968, atrazin için R² = 0,909 olarak raporlanmıştır. Atrazin kalibrasyonundaki daha büyük saçılım yazarlar tarafından matris ve analite bağlı değişkenlikle ilişkilendirilmektedir.

Bu konsantrasyon aralıkları çalışmanın test aralıklarıdır; formal LOD veya LOQ olarak yorumlanmamalıdır. Kaynakta ayrıca ayrı bir LOD/LOQ hesaplaması sunulmamaktadır.

Matris etkisi nasıl azaltılmaya çalışıldı?

Her örnek, kendi matrisine ait blank yanıtına göre normalize edildi. Böylece mısır, mısır unu veya protein matrisi arasındaki başlangıç empedansı farklılıklarının ve çipler arası temel çizgi değişkenliğinin azaltılması amaçlandı.

Empedanstaki yüzde değişim kaynakta şu şekilde hesaplandı:

\[ \%\Delta |Z| = \frac{|Z|_{blank}-|Z|_{sample}} {|Z|_{blank}}\times100 \]

Kalibrasyon öncesinde teknik tekrarların sensör sayısını yapay biçimde ağırlıklandırmasını önlemek için önce çip düzeyinde ortalamalar hesaplandı. Nihai grafikler farklı çiplerin ortalamaları ve ortalamanın standart hatası (SEM) ile sunuldu. Ancak kaynak, kullanılan bağımsız çip sayısını açık bir n değeriyle vermediği için deneysel tekrar yapısı tam olarak yeniden oluşturulamıyor.

Spike-recovery sonuçları ne gösteriyor?

Şekil 4'te Aflatoksin M1 için 0,01; 0,055; 0,303; 1,664 ve 9,151 ng/mL, atrazin için 0,1; 0,4; 1,6; 6,4 ve 25,6 ng/mL düzeylerinde recovery deneyleri gösteriliyor. Yazarlar değerlerin çoğunun %80–120 kabul aralığında ve %100'e yakın olduğunu bildiriyor.

Ancak kaynak recovery değerlerinin tamamını sayısal tablo hâlinde vermediği için grafik çubuklarından kesin yüzdeler üretilmemelidir. Ayrıca grafik recovery sonuçlarını mısır, mısır unu ve protein matrisi için ayrı ayrı sayısal tablolar hâlinde sunmuyor. Bu nedenle “her üç matriste her konsantrasyonda aynı recovery elde edildi” biçiminde bir sonuç çıkarılamaz.

Seçicilik ne kadar test edildi?

Aflatoksin M1 sensörü Aflatoksin B1 ile, atrazin sensörü ise glifosat ile çapraz reaktivite açısından karşılaştırıldı.

Aflatoksin M1 hedef yanıtları düşük, orta ve yüksek gruplarda yaklaşık %97, %101 ve %100 iken Aflatoksin B1 yanıtları yaklaşık %8, %4 ve %5 olarak raporlandı. Atrazin hedef yanıtı yaklaşık %97–101 arasında kalırken glifosat yaklaşık %4–8 yanıt oluşturdu.

Bu sonuçlar test edilen iki interferana karşı güçlü seçiciliği destekler. Bununla birlikte interferan paneli yalnız Aflatoksin B1 ve glifosatla sınırlıdır; çok sayıda mikotoksin, pestisit veya gıda bileşenini kapsayan geniş bir seçicilik çalışması yapılmamıştır.

Yapay zekâ hangi veriyi kullanıyor?

Makine öğrenmesi tek bir seçilmiş frekanstan değil, EIS spektrumunun tamamından özellikler kullanıyor. Model girdileri:

• Empedans büyüklüğü |Z|
• Gerçek empedans Z′
• Sanal empedans Z″
• Faz açısı

olarak belirtilmiştir. Kaynaktaki model karşılaştırma grafiğinde Random Forest en yüksek ağırlıklı F1 değerini gösteriyor. Grafikte Random Forest yaklaşık 0,974; Gradient Boosting 0,938; SVM-RBF 0,923 ve Logistic Regression 0,764 olarak etiketlenmiştir.

Aflatoksin M1 ile atrazin ne kadar iyi ayrıldı?

Random Forest modeli 105 Aflatoksin M1 örneğinin 102'sini ve 90 atrazin örneğinin 88'ini doğru sınıflandırdı. Toplam 195 kaydın beşi yanlış sınıflandırıldı; kaynak genel doğruluğu %97,4 olarak bildirdi.

İki analit arasındaki ROC eğrisi altında kalan alan 0,994 olarak raporlandı. Bu değer çalışmanın kendi veri yapısı içinde güçlü ayrım performansına işaret eder; gerçek üretim hattında veya daha önce görülmemiş gıda ürünlerinde aynı başarının korunacağını tek başına kanıtlamaz.

Konsantrasyon sınıflandırması nasıl yapıldı?

Altı doz düzeyi üç kategoriye birleştirildi:

• Düşük: D0–D1
• Orta: D2–D3
• Yüksek: D4–D5

D0 boş/kontrol koşuludur. Dolayısıyla “düşük konsantrasyon” sınıfı hem analit içermeyen blank örnekleri hem de en düşük pozitif dozu birlikte içerir. Model performansı yorumlanırken bu sınıf tanımı göz önünde tutulmalıdır.

En kritik yapay zekâ testi: görülmemiş matrise geçiş

Çalışmanın en önemli gerçekçilik testlerinden biri leave-one-matrix-out doğrulamasıdır. Bir gıda matrisi eğitim verisinden tamamen çıkarılmış ve model yalnız bu görülmemiş matriste test edilmiştir.

Mısır unu için F1'in 0,471'e düşmesi, genel %97,4 analit sınıflandırma doğruluğunun yeni matrislerde otomatik olarak korunmadığını açıkça gösteriyor. Çalışmanın kendi yorumuna göre partikül içeriği, viskozite, spesifik olmayan adsorpsiyon veya iyonik ortam gibi özellikler bu farkta rol oynayabilir.

Şekil 5'teki kaynak içi tutarsızlık

Makalenin anlatımı ile Şekil 5'in gerçek panel düzeni birbiriyle uyuşmamaktadır. Metin Şekil 5A'yı Random Forest karmaşıklık matrisi olarak adlandırırken gerçek Şekil 5A model karşılaştırmasını gösterir. Gerçek karmaşıklık matrisi 5B'dedir. Metin ROC eğrisini 5B olarak anlatırken gerçek ROC grafiği 5C'dedir.

Ana metin ayrıca “Şekil 5C'deki özellik önem analizi”nden söz eder; ancak yayımlanmış Şekil 5'te görünen paneller A model karşılaştırması, B karmaşıklık matrisi, C ROC eğrisi ve D leave-one-matrix-out testidir. Ayrı bir özellik önem grafiği gösterilmemektedir. Bu editoryal uyuşmazlık, Verianla metninde sessizce düzeltilmemiştir.

Makine öğrenmesi yeniden üretilebilir mi?

Kaynak model isimlerini ve performans sonuçlarını raporlamakla birlikte, makine öğrenmesi deneyinin yeniden kurulması için gereken bazı temel ayrıntıları açık bir yöntem protokolü olarak vermemektedir. PDF'de model hiperparametreleri, rastgele tohum, standart train/validation/test ayırımı, hiperparametre optimizasyon yöntemi ve çip kimliğine göre ayrılmış bağımsız doğrulama protokolü açık biçimde belirtilmemiştir.

Bu nedenle çalışma güçlü bir ilk sınıflandırma sonucu sunmaktadır; ancak modelin bağımsız bir araştırma grubu tarafından aynı performansla yeniden üretilebilmesi için daha ayrıntılı ML yöntem raporlaması gerekir.

Çalışmanın güçlü yönleri nelerdir?

• Aynı platformda CV, kulometri ve EIS olmak üzere üç elektrokimyasal okuma biçimi karşılaştırılmıştır.
• EIS tek frekans yerine tam spektrum özellikleriyle değerlendirilmiştir.
• Matris başına blank normalizasyonu uygulanmıştır.
• Mısır, mısır unu ve protein olmak üzere üç farklı gıda ortamı kullanılmıştır.
• Spike-recovery ve çapraz reaktivite testleri yapılmıştır.
• Yapay zekâ değerlendirmesi yalnız genel doğrulukla bırakılmamış; görülmemiş matrise aktarım ayrıca test edilmiştir.
• Çalışma, en zayıf aktarım sonucunu saklamamış ve mısır ununda F1 = 0,471 değerini açıkça raporlamıştır.

Çalışmanın sınırlılıkları nelerdir?

• Gerçek, doğal olarak kontamine olmuş ticari gıda örneklerinde bağımsız saha doğrulaması yapılmamıştır.
• Formal LOD ve LOQ değerleri raporlanmamıştır.
• Recovery sonuçlarının tamamı matris bazında sayısal tablo olarak sunulmamıştır.
• Çapraz reaktivite yalnız Aflatoksin B1 ve glifosatla sınanmıştır.
• “Protein matrisi”nin ürün bileşimi ve ayrıntılı kimliği verilmemiştir.
• Bağımsız çip sayısı ve deneysel tekrar mimarisi tam olarak açıklanmamıştır.
• Makine öğrenmesi hiperparametreleri ve eğitim/doğrulama protokolünün temel ayrıntıları eksiktir.
• Görülmemiş mısır unu matrisinde ağırlıklı F1 değeri 0,471'e düşmüştür.
• İki analitin ölçümü farklı antikorla işlevselleştirilmiş yüzeylere dayandığı için analit sınıflandırma sonucu tek, evrensel sensör yüzeyinin bilinmeyen analitleri ayırdığı şeklinde yorumlanamaz.
• Şekil 5'in metin içi panel referanslarında yayımlanmış şekille uyuşmayan atıflar bulunmaktadır.

Çalışmanın desteklediği sonuçlar

• Antikorla işlevselleştirilmiş elektrokimyasal yüzeyler, test edilen Aflatoksin M1 ve atrazin konsantrasyonlarında doza bağlı CV, kulometri ve EIS değişimleri üretmiştir.
• Yaklaşık 198 Hz'deki empedans kalibrasyonu Aflatoksin M1 için R² = 0,968, atrazin için R² = 0,909 vermiştir.
• Test edilen spike-recovery koşullarında sonuçların büyük bölümü çalışmanın kullandığı %80–120 kabul penceresinde kalmıştır.
• Aflatoksin M1 sensörü Aflatoksin B1'e, atrazin sensörü glifosata kıyasla belirgin biçimde daha yüksek hedef yanıtı üretmiştir.
• Full-spectrum EIS verileri kullanıldığında Random Forest modeli iki analiti çalışmanın veri kümesinde %97,4 doğruluk ve 0,994 AUC ile ayırmıştır.
• Düşük/orta/yüksek konsantrasyon sınıflandırmasında %93,33 genel doğruluk bildirilmiştir.
• Leave-one-matrix-out testi, matris değişiminin model performansını belirgin biçimde etkileyebildiğini göstermiştir.

Çalışmanın desteklemediği veya kanıtlamadığı sonuçlar

• Sensörün gerçek gıda piyasasında %97,4 doğrulukla çalışacağını kanıtlamamaktadır.
• Platformun doğal kontaminasyonu olan bilinmeyen numunelerde düzenleyici referans yöntemlerin yerini alabileceğini göstermemektedir.
• Formal tespit sınırı verilmediği için belirli bir yasal limitin altında güvenilir tespit garantisi oluşturmamaktadır.
• Yalnız iki interferan test edildiğinden bütün mikotoksin ve pestisitlere karşı seçicilik kanıtlanmamıştır.
• Yüksek ROC-AUC, yeni gıda türlerinde aynı performansın korunacağını kanıtlamamaktadır.
• Çalışma üretim hattında sürekli izleme, raf ömrü boyunca sensör kararlılığı veya uzun dönem saha dayanıklılığı testi değildir.
• Yapay zekâ modeli ticari olarak bağımsız bir dış veri setinde doğrulanmamıştır.

Türkiye açısından nasıl okunmalı?

Çalışmada Türkiye'ye özgü gıda numunesi, üretim tesisi, mevzuat sınırı veya saha verisi bulunmamaktadır. Bu nedenle sonuçlar Türkiye'deki gıda kontrol altyapısında doğrudan doğrulanmış performans olarak sunulamaz.

Bununla birlikte çalışma, farklı gıda matrislerinin aynı sensörün elektriksel arka planını değiştirebildiğini açıkça gösterdiği için, benzer bir platformun Türkiye'deki gıda ürünlerinde değerlendirilmesi durumunda ürün ve matris bazlı kalibrasyon yapılmasının gerekli olacağına işaret eden genel bir mühendislik çerçevesi sağlar.

Çalışmanın Yöntemi ve Bulguları

Numuneler ve reaktifler

Aflatoksin M1 ve atrazine özgü monoklonal antikorlar biyotanıma elemanı olarak kullanıldı. Antikor immobilizasyonunda 3,3′-dithiobis(sulfosuccinimidyl propionate), yani DTSSP kullanıldı. Gıda matrisleri yerel bir süpermarketten temin edilen mısır, mısır unu ve kaynakta yalnız “protein” olarak tanımlanan üründen oluşturuldu.

Numuneler ve reaktifler küçük alikotlara ayrılarak −20 °C'de saklandı. Deney öncesinde oda sıcaklığına getirildi ve gerektiğinde askıda parçacıkları uzaklaştırmak amacıyla santrifüj edildi.

Elektrokimyasal cihaz ve ölçüm parametreleri

Doz düzeyleri

EIS veri işleme

Her EIS spektrumundan frekans, |Z|, Z′, Z″ ve faz açısı çıkarıldı. Araştırmacılar veriyi bir eşdeğer devre modeline indirgemek yerine tam spektrum elektrokimyasal parmak izi olarak kullandı.

Eşdeğer devre modellemesinin birincil analiz olarak kullanılmamasının gerekçesi, deneylerin non-Faradaik koşullarda yürütülmesi ve spektrumların bileşik arayüz yanıtlarını temsil etmesi olarak açıklanmıştır.

Teknik tekrarların sayısının sonuçları orantısız biçimde etkilememesi için önce sensör çipi düzeyinde ortalamalar hesaplandı. Sonuçlar farklı çipler üzerinden ortalama ve SEM olarak sunuldu.

Kalibrasyon sonuçları

Yapay zekâ sonuçları

Model karşılaştırma şekline göre Random Forest en yüksek ağırlıklı F1 performansını göstermiştir. İki analitin Random Forest ile sınıflandırılmasında 102/105 Aflatoksin M1 ve 88/90 atrazin kaydı doğru tahmin edilmiştir.

Makine öğrenmesi raporlamasındaki yöntem sınırı

Kaynakta Random Forest, Gradient Boosting, SVM-RBF ve Logistic Regression sonuçları gösterilmesine rağmen model hiperparametreleri, rastgele tohum, ayrıntılı eğitim/test oranı, hiperparametre seçim prosedürü ve sensör çipi kimliğinden tamamen bağımsız bir validasyon yapısı açık biçimde raporlanmamıştır.

Bu eksiklik performans değerlerini geçersiz kılmaz; ancak sonuçların bağımsız yeniden üretilebilirliği ve gerçek dağıtım senaryolarına ne ölçüde taşınabileceği konusunda önemli bir yöntemsel belirsizlik oluşturur.

Gerçek dünya doğrulama sınırı

Deneylerde kullanılan gıda örnekleri kontrollü biçimde spike edilmiş matrislerdir. Doğal olarak kontamine olmuş, kaynağı bilinmeyen veya piyasadan kör biçimde toplanmış örnekler üzerinde karşılaştırmalı referans yöntem doğrulaması raporlanmamıştır.

Bu nedenle çalışmanın en güçlü sonucu “ticari gıda test sistemi hazırdır” değil; antikor tabanlı non-Faradaik EIS ile yapay zekâ analizinin karmaşık gıda matrislerinde uygulanabilir bir araştırma platformu oluşturabildiği ve matris aktarım problemini nicel olarak görünür hâle getirdiğidir.

Kaynak ve Yöntem Notu

Tam özgün çalışma adı: AI-Assisted Electrochemical Immunosensing for Matrix-Aware Detection of Aflatoxin M1 and Atrazine in Food Matrices

Yazarlar: Kundan Kumar Mishra; Shanmathi Venkatesan; Sriram Muthukumar; Shalini Prasad.

Yazar sırası: Kaynakta yukarıdaki sırayla verilmiştir. Eş birinci/eş katkı işareti bulunmamaktadır.

Sorumlu yazar: Shalini Prasad.

Kurumlar: Department of Bioengineering, University of Texas at Dallas, Richardson, Texas, ABD; EnLiSense LLC, Allen, Texas, ABD.

Kaynak türü: Hakemli özgün deneysel araştırma makalesi.

Dergi: Biosensors.

Yayınevi: MDPI, Basel, Switzerland.

Cilt / sayı / makale: 16 / 7 / 352.

DOI: 10.3390/bios16070352.

Resmî yayın bağlantısı:https://doi.org/10.3390/bios16070352

Tarihler: Alındı 31 Mayıs 2026; revize edildi 19 Haziran 2026; kabul edildi 21 Haziran 2026; yayımlandı 23 Haziran 2026.

Hakemlik durumu: Çalışma hakemli Biosensors dergisinde yayımlanmış özgün araştırma makalesidir. Preprint değildir.

Lisans: Creative Commons Attribution (CC BY); açık erişim.

Finansman: Yazarlar araştırmanın dış finansman almadığını bildirmiştir.

Etik kurul: Uygulanamaz.

Bilgilendirilmiş onam: Uygulanamaz.

Veri erişilebilirliği: Bulguları destekleyen verilerin sorumlu yazardan talep üzerine sağlanabileceği belirtilmektedir. Makale verilerin “privacy or ethical restrictions” nedeniyle halka açık olmadığını söylemektedir. Bununla birlikte çalışma gıda matrisleriyle yürütülmüş ve etik kurul/onam uygulanamaz olarak bildirilmiştir; söz konusu kısıtlamanın ayrıntılı gerekçesi kaynakta açıklanmamaktadır.

Çıkar çatışması: Shalini Prasad ve Sriram Muthukumar'ın EnLiSense LLC'de önemli finansal çıkarı bulunduğu beyan edilmiştir. Şirketin çalışmadaki sonuç ve teknolojiyle ticari ilgisi olabileceği belirtilmektedir. Potansiyel çıkar çatışmasının University of Texas at Dallas tarafından incelenip yönetildiği ve çalışma tasarımı, veri toplama/analiz, rapor yazımı veya yayın kararında rol oynamadığı kaynakta ifade edilmektedir. Taşınabilir cihaz ve teknoloji platformunun EnLiSense LLC'ye ait tescilli teknoloji olduğu ayrıca belirtilmiştir.

Yapay zekâ kullanım beyanı: Yazarlar makale hazırlanırken Microsoft Copilot 148.0.3967.70 sürümünü dilbilgisi düzeltmesi, cümle yapılandırması, açıklığın artırılması ve dilsel düzenleme amacıyla kullandıklarını; bütün yapay zekâ destekli çıktıları kendilerinin gözden geçirip düzenlediklerini bildirmiştir.

Yazar katkıları: Kavramsallaştırma K.K.M., S.M. ve S.P.; metodoloji K.K.M. ve S.V.; yazılım K.K.M., S.V. ve S.M.; doğrulama K.K.M. ve S.M.; biçimsel analiz K.K.M. ve S.V.; araştırma S.M. ve S.P.; veri kürasyonu K.K.M. ve S.V.; ilk taslak K.K.M. ve S.V.; gözden geçirme/düzenleme K.K.M., S.M. ve S.P.; danışmanlık S.M. ve S.P.; proje yönetimi K.K.M., S.M. ve S.P.; finansman temini S.M. ve S.P. olarak bildirilmiştir.

Kaynak içi Şekil 5 tutarsızlığı: Sonuç metnindeki A/B/C panel atıfları yayımlanmış Şekil 5 ve şekil açıklamasındaki gerçek panel sırasıyla uyuşmamaktadır. Şekilde A model karşılaştırması, B karmaşıklık matrisi, C ROC eğrisi ve D leave-one-matrix-out doğrulamasıdır. Metinde ayrıca Şekil 5C'ye atfedilen özellik önem analizi yayımlanmış dört panelli şekil içinde görünmemektedir.

Makine öğrenmesi yöntem notu: Kaynak, model performanslarını ve leave-one-matrix-out doğrulamasını raporlamaktadır; ancak hiperparametreler, rastgele tohum, ayrıntılı eğitim/doğrulama/test ayrımı ve sensör çipinden bağımsız validasyon protokolü gibi yeniden üretilebilirlik ayrıntıları eksiktir. Bu nedenle model metrikleri kaynakta bildirilen deneysel sonuçlar olarak aktarılmış, gerçek dünya genelleme garantisi biçiminde yorumlanmamıştır.

Analitik yöntem sınırı: Kaynak formal LOD veya LOQ değeri bildirmemektedir. Deneysel konsantrasyon aralıkları tespit sınırı gibi yeniden etiketlenmemiştir.

Saha doğrulama sınırı: Çalışma mısır, mısır unu ve protein matrislerinde kontrollü spike deneylerine dayanmaktadır; doğal kontaminasyonlu ticari gıda örneklerinde kör, bağımsız saha validasyonu sunmamaktadır.

Verianla kaynak notu: Bu içerikteki bilimsel yöntem, mekanizma, konsantrasyonlar, EIS parametreleri, kalibrasyon sonuçları, recovery, çapraz reaktivite, yapay zekâ sınıflandırması ve sınırlılıklar yüklenen kaynak çalışmadan alınmıştır. Dış kaynak kullanımı yalnız bibliyografik kimlik, yayın sürümü ve derginin hakemlik durumunun doğrulanmasıyla sınırlandırılmıştır; dışarıdan yeni bilimsel sonuç eklenmemiştir.