Utafiti huu unachunguza kutofautisha Aflatoksin M1 na atrazine katika matriki za chakula kwa kutumia sensa ya kielektrokemia iliyofanyiwa uamilishaji kwa kingamwili pamoja na uchambuzi wa ishara unaosaidiwa na akili bandia. Katika sensa iliyoundwa maabara kwa msingi wa PCB, ilitumika elektrodi ya kufanya kazi ya dhahabu, elektrodi pinzani ya kaboni na elektrodi rejea ya Ag/AgCl. Kingamwili mahususi kwa Aflatoksin M1 au atrazine ziliwekwa kwenye uso wa elektrodi kwa kiunganishi mtambuka DTSSP; kufungamana kwa analiti zilizoongezwa kwa kiasi kinachodhibitiwa kwenye matriki za mahindi, unga wa mahindi na protini kulifuatiliwa kwa cyclic voltammetry, coulometry na hasa electrochemical impedance spectroscopy (EIS). Katika calibration zilizoundwa kutoka data ya EIS karibu 198 Hz, R² = 0,968 iliripotiwa kwa Aflatoksin M1 na R² = 0,909 kwa atrazine.

Safu ya akili bandia ya utafiti haikutumia thamani moja tu ya impedance, bali ilitumia kutoka kwenye frequency spectrum nzima vipengele vya ukubwa wa impedance |Z|, impedance halisi Z′, impedance ya kufikirika Z″ na phase angle. Modeli ya Random Forest ilifikia usahihi wa %97,4 na ROC-AUC ya 0,994 katika kutofautisha Aflatoksin M1 na atrazine. Concentrations zilipogawanywa katika madaraja matatu ya chini, kati na juu, kwa vipimo 195 usahihi wa jumla uliripotiwa kuwa %93,33 na AUC ya jumla 0,985. Hata hivyo, modeli ilipohamishwa kwenda kwenye matriki ya chakula ambayo haikuwahi kuiona, utendaji ulipungua kwa kiasi kikubwa: weighted F1 ilikuwa 0,667 kwa mahindi, 0,471 kwa unga wa mahindi na 0,716 kwa matriki ya protini. Kwa hiyo, ingawa utafiti unaunga mkono mafanikio ya juu ya classification ndani ya maabara, pia unaonyesha kwamba generalization kwenda kwenye matriki tofauti za chakula bado ni tatizo muhimu linalohitaji kutatuliwa.

Utafiti huu si uchunguzi wa contamination ya asili katika sampuli halisi za sokoni. Sampuli zilizojaribiwa ni matriki za chakula zilizoingiziwa analiti. Kwa kuwa hakuna formal LOD au LOQ iliyotolewa, kiwango halisi cha detection limit cha sensa chini ya regulatory limits hakiwezi kuhitimishwa kutoka chanzo hiki.

Tatizo kuu la utafiti ni nini?

Katika sensa za usalama wa chakula, haitoshi kugundua molekuli lengwa pekee. Mahindi, unga au bidhaa zenye protini nyingi zinaweza kuwa na protini, wanga, chumvi, chembe na vipengele vingine vinavyoathiri tabia ya kielektrokemia. Vipengele hivi vinaweza kusababisha nonspecific adsorption, fouling, mabadiliko ya conductivity na tofauti za electric double layer kwenye uso wa elektrodi, na hivyo kubadilisha ishara ya analiti lengwa.

Utafiti unashughulikia tatizo hili ndani ya mfumo wa matrix effect. Kwa kuwa baseline ya kielektrokemia inaweza kubadilika wakati analiti ileile ipo katika mazingira tofauti ya chakula, watafiti hawakutengeneza calibration curve moja tu; walitumia blank normalization kwa kila matriki na kutafsiri spectrum kamili ya EIS kwa kutumia akili bandia.

Kwa nini Aflatoksin M1 na atrazine zilichunguzwa pamoja?

Aflatoksin M1 na atrazine zinawakilisha malengo mawili tofauti ya usalama wa chakula kwa upande wa kemia. Utafiti haujaribu kugundua analiti hizi mbili kwa kingamwili moja. Kwa kila analiti, maeneo tofauti ya sensa yaliyoamilishwa kwa monoclonal antibody mahususi kwa analiti hiyo yaliandaliwa.

Kwa hiyo, mfumo “ku-classify analiti mbili” haimaanishi kwamba elektrodi moja universal isiyo na functionalization inaweza kutambua moja kwa moja utambulisho wa molekuli isiyojulikana. EIS fingerprint inayopimwa inaweza kuathiriwa na kufungamana kwa target na pia na interface ya elektrodi iliyoundwa kwa target-specific antibody. Chanzo hakitoi jaribio linalotenganisha kwa kujitegemea michango hii miwili.

Muundo wa kimwili wa sensa ukoje?

Sensa iliundwa kama muundo wa kielektrokemia wenye elektrodi tatu kwenye printed circuit board (PCB) iliyobuniwa maabara:

• Elektrodi ya kufanya kazi: dhahabu.
• Elektrodi pinzani: kaboni.
• Elektrodi rejea: Ag/AgCl.
• Msingi wa PCB: FR4.
• Coating ya uso: electroless nickel immersion gold (ENIG) juu ya bodi iliyofunikwa kwa shaba.

Elektrodi ya dhahabu ilitoa uso unaofaa kwa kufungisha kingamwili kupitia DTSSP. Maeneo tofauti yaliamilishwa kwa anti-Aflatoksin M1 na anti-atrazine antibodies.

Kingamwili ilifungwaje kwenye elektrodi?

Elektrodi ilisafishwa kwanza kwa phosphate-buffered saline (PBS). Kisha mchanganyiko wa 10 mM DTSSP na kingamwili mahususi kwa analiti uliwekwa kwenye uso wa sensa na ku-incubate kwa dakika 30 katika 4 °C. Crosslinker ambayo haikufungamana na kingamwili iliyozidi ziliondolewa kwa PBS.

Wakati wa uchambuzi, 5 µL ya sampuli ya matriki ya chakula iliyoandaliwa iliwekwa kwenye uso wa sensa na kusubiriwa dakika 5 kwa ajili ya antibody-target binding. Kisha vipimo vya EIS, cyclic voltammetry na coulometry vilifanywa.

Ujumbe mkuu wa Figure 1 ni upi?

Figure 1 ya utafiti inafupisha mfumo mzima katika mtiririko mmoja. Sampuli kutoka mahindi, unga wa mahindi na matriki za protini zinafika kwenye uso wa kielektrokemia uliofunikwa kwa kingamwili mahususi kwa analiti. Mabadiliko ya umeme yanayotokana na antigen-antibody interaction kwenye interface ya elektrodi hupimwa kwa potentiostat. Hasa, EIS spectrum huhamishwa baadaye kwenye hatua ya feature extraction na computational analysis; katika hatua ya mwisho, utambulisho wa analiti, dose class na patterns zinazohusiana na matriki hutathminiwa.

Ujumbe muhimu wa kisayansi wa figure ni kwamba sensa na akili bandia zina majukumu mawili tofauti: sensa hubadilisha physical binding kuwa electrical fingerprint, huku machine learning iki-classify fingerprint hii ya multivariable iliyosambazwa kwenye frequency.

Cyclic voltammetry ilionyesha nini?

Majaribio ya cyclic voltammetry (CV) yalifanywa kwa scan kutoka 0 V hadi +0,4 V, kisha hadi −0,6 V na kurudi 0 V. Scan rate ilikuwa 50 mV/s na potential step ilikuwa 2 mV. Kwa Aflatoksin M1 na atrazine, separation katika current profiles ilionekana kadiri concentration ilivyoongezeka.

Kwa kuwa hakuna external redox probe iliyotumiwa, waandishi hawatafsiri CV curves kama direct electrochemical oxidation/reduction ya Aflatoksin M1 au atrazine. Ishara inahusishwa na surface polarization, capacitive charging, ion accessibility na mabadiliko mengine kwenye electrode interface baada ya antibody-target binding.

Peak inayoonekana kwenye negative potentials haijaunganishwa na redox pair maalum. Waandishi wanaeleza wazi kwamba trace components za electrolyte au matriki zinaweza pia kuchangia feature hii.

Coulometry iliongeza nini?

Katika majaribio ya coulometry, baada ya pre-step ya sekunde 10 katika 0 V, potential steps za −0,3 V na +0,3 V, kila moja kwa sekunde 0,5, zilitumika. Sampling interval ilikuwa sekunde 0,01.

CV huonyesha instantaneous current change wakati wa potential scan, wakati coulometry hutathmini charge inayojikusanya kwa muda. Figure 2 inaonyesha kwamba charge curves zinatengana kwa analiti zote mbili kadiri dose inavyoongezeka. Waandishi pia wanatafsiri matokeo haya si kama direct redox reaction ya target molecule, bali kama time-integrated indicator ya electrical change inayotokana na binding kwenye antibody-functionalized interface.

Kwa nini EIS iko katikati ya utafiti?

Electrochemical impedance spectroscopy hutoa electrical response kwenye frequency mbalimbali badala ya current au potential value moja. Katika utafiti, EIS ilipimwa kati ya 100 kHz na 10 Hz kwa pointi 10 kwa decade. DC potential ilikuwa 0 V, AC perturbation ilikuwa 10 mV rms na hakuna external redox probe iliyotumiwa.

Kwa hiyo, utafiti unatathmini si classical Faradaic redox-probe impedance, bali non-Faradaic electrode/electrolyte interface. Kwa kuwa target binding inaweza kubadilisha electric double layer, surface polarization, ion distribution na dielectric properties za interface, tofauti kati ya concentrations za analiti huongezeka hasa katika low na mid frequencies.

Figure 3 inaonyesha nini?

Katika Bode curves za Figure 3, impedance ni kubwa zaidi katika low frequency na hupungua frequency inapoongezeka. Kwa Aflatoksin M1 na atrazine, separation kati ya doses D0–D5 inaonekana hasa katika low-frequency region.

Kwa calibration, thamani ya |Z| karibu pointi ya 198 Hz ya spectrum ilichaguliwa. Uhusiano wa concentration-impedance uliripotiwa kuwa R² = 0,968 kwa Aflatoksin M1 na R² = 0,909 kwa atrazine. Scatter kubwa zaidi katika atrazine calibration ilihusishwa na waandishi na variability inayotegemea matriki na analiti.

Range hizi za concentration ni test ranges za utafiti; hazipaswi kutafsiriwa kama formal LOD au LOQ. Chanzo pia hakitoi hesabu tofauti ya LOD/LOQ.

Matrix effect ilijaribiwa kupunguzwaje?

Kila sampuli ili-normalize dhidi ya blank response ya matriki yake. Lengo lilikuwa kupunguza tofauti za initial impedance kati ya mahindi, unga wa mahindi au matriki ya protini, pamoja na chip-to-chip baseline variability.

Percentage change ya impedance ilihesabiwa katika chanzo kama ifuatavyo:

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

Kabla ya calibration, chip-level means zilihesabiwa kwanza ili technical replicates zisipe uzito wa bandia kwa idadi ya sensa. Grafu za mwisho ziliwasilishwa kwa means za chips tofauti na standard error of the mean (SEM). Hata hivyo, kwa kuwa chanzo hakitoi idadi ya independent chips kwa thamani wazi ya n, experimental replicate structure haiwezi kujengwa upya kikamilifu.

Spike-recovery results zinaonyesha nini?

Figure 4 inaonyesha recovery experiments kwa Aflatoksin M1 katika 0,01; 0,055; 0,303; 1,664 na 9,151 ng/mL, na kwa atrazine katika 0,1; 0,4; 1,6; 6,4 na 25,6 ng/mL. Waandishi wanaripoti kwamba values nyingi ziko ndani ya %80–120 acceptance range na karibu na %100.

Hata hivyo, kwa kuwa chanzo hakitoi recovery values zote katika jedwali la namba, asilimia sahihi hazipaswi kutolewa kutoka kwenye graph bars. Zaidi ya hayo, graph haionyeshi recovery results kama numeric tables tofauti kwa mahindi, unga wa mahindi na matriki ya protini. Kwa hiyo haiwezi kuhitimishwa kwamba “recovery ileile ilipatikana katika kila concentration kwenye matriki zote tatu”.

Selectivity ilijaribiwa kwa kiwango gani?

Sensa ya Aflatoksin M1 ililinganishwa na Aflatoksin B1 kwa cross-reactivity, na sensa ya atrazine ililinganishwa na glyphosate.

Aflatoksin M1 target responses zilikuwa takribani %97, %101 na %100 katika vikundi vya chini, kati na juu, wakati Aflatoksin B1 responses ziliripotiwa kuwa takribani %8, %4 na %5. Atrazine target response ilibaki takribani %97–101 huku glyphosate ikitoa takribani %4–8 response.

Matokeo haya yanaunga mkono selectivity yenye nguvu dhidi ya interferents mbili zilizojaribiwa. Hata hivyo, interferent panel imezuiliwa kwa Aflatoksin B1 na glyphosate pekee; hakuna broad selectivity study iliyofanywa kwa mycotoxins, pesticides au food components nyingi.

Akili bandia inatumia data gani?

Machine learning haitumii selected frequency moja, bali features kutoka EIS spectrum nzima. Model inputs zimeelezwa kuwa:

• Ukubwa wa impedance |Z|
• Impedance halisi Z′
• Impedance ya kufikirika Z″
• Phase angle

Katika model comparison graph ya chanzo, Random Forest inaonyesha weighted F1 ya juu zaidi. Grafu imeweka labels za takribani 0,974 kwa Random Forest; 0,938 kwa Gradient Boosting; 0,923 kwa SVM-RBF na 0,764 kwa Logistic Regression.

Aflatoksin M1 na atrazine zilitofautishwa vizuri kiasi gani?

Modeli ya Random Forest ili-classify kwa usahihi sampuli 102 kati ya 105 za Aflatoksin M1 na 88 kati ya 90 za atrazine. Kati ya records 195, tano zili-classify vibaya; chanzo kiliripoti overall accuracy ya %97,4.

Area under the ROC curve kati ya analiti mbili iliripotiwa kuwa 0,994. Thamani hii inaashiria strong discrimination performance ndani ya data structure ya utafiti wenyewe; peke yake haithibitishi kwamba performance hiyo hiyo itadumishwa kwenye production line halisi au kwenye bidhaa za chakula ambazo hazijawahi kuonekana.

Concentration classification ilifanywaje?

Dose levels sita ziliunganishwa katika categories tatu:

• Chini: D0–D1
• Kati: D2–D3
• Juu: D4–D5

D0 ni blank/control condition. Kwa hiyo, “low concentration” class inajumuisha pamoja blank samples zisizo na analiti na lowest positive dose. Ufafanuzi huu wa class unapaswa kuzingatiwa wakati wa kutafsiri model performance.

Jaribio muhimu zaidi la akili bandia: kuhamia matriki isiyoonekana

Moja ya realism tests muhimu zaidi katika utafiti ni leave-one-matrix-out validation. Matriki moja ya chakula iliondolewa kabisa kwenye training data na modeli ikajaribiwa tu kwenye matriki hiyo ambayo haikuwahi kuiona.

Kushuka kwa F1 hadi 0,471 kwa unga wa mahindi kunaonyesha wazi kwamba general %97,4 analyte-classification accuracy haidumishwi moja kwa moja katika matriki mpya. Kulingana na interpretation ya utafiti, properties kama particle content, viscosity, nonspecific adsorption au ionic environment zinaweza kuchangia tofauti hii.

Inconsistency ya ndani ya chanzo katika Figure 5

Maelezo ya makala na mpangilio halisi wa panels za Figure 5 havilingani. Text inaita Figure 5A Random Forest confusion matrix, wakati Figure 5A halisi inaonyesha model comparison. Confusion matrix halisi iko 5B. Text inaelezea ROC curve kama 5B, ilhali ROC graph halisi iko 5C.

Main text pia inataja “feature importance analysis katika Figure 5C”; hata hivyo panels zinazoonekana katika Figure 5 iliyochapishwa ni A model comparison, B confusion matrix, C ROC curve na D leave-one-matrix-out test. Hakuna feature-importance graph tofauti inayoonyeshwa. Editorial inconsistency hii haijasahihishwa kimya kimya katika maandishi ya Verianla.

Je, machine learning inaweza kuzalishwa upya?

Chanzo kinaripoti model names na performance results, lakini hakitoi baadhi ya maelezo muhimu yanayohitajika kujenga upya machine-learning experiment kama method protocol iliyo wazi. PDF haielezi wazi model hyperparameters, random seed, standard train/validation/test split, hyperparameter optimization method na independent validation protocol iliyotenganishwa kwa chip identity.

Kwa hiyo, utafiti unatoa strong initial classification result; lakini ML-method reporting ya kina zaidi inahitajika ili model iweze kuzalishwa upya na independent research group kwa performance ileile.

Nguvu za utafiti ni zipi?

• Njia tatu za electrochemical readout — CV, coulometry na EIS — zimelinganishwa kwenye platform moja.
• EIS imetathminiwa kwa full-spectrum features badala ya frequency moja.
• Blank normalization imetumika kwa kila matriki.
• Mazingira matatu tofauti ya chakula — mahindi, unga wa mahindi na protini — yametumiwa.
• Spike-recovery na cross-reactivity tests zimefanywa.
• AI evaluation haikuishia kwenye overall accuracy; transfer kwenda kwenye unseen matrix pia ilijaribiwa tofauti.
• Utafiti haukuficha weakest transfer result na uliripoti wazi F1 = 0,471 kwa unga wa mahindi.

Mapungufu ya utafiti ni yapi?

• Independent field validation haikufanywa kwenye real, naturally contaminated commercial food samples.
• Formal LOD na LOQ values hazijaripotiwa.
• Recovery results zote hazijawasilishwa kama numeric table kwa kila matriki.
• Cross-reactivity ilijaribiwa tu kwa Aflatoksin B1 na glyphosate.
• Product composition na detailed identity ya “protein matrix” haikutolewa.
• Idadi ya independent chips na experimental replicate architecture haikuelezwa kikamilifu.
• Machine-learning hyperparameters na maelezo ya msingi ya training/validation protocol hayatoshi.
• Weighted F1 ilishuka hadi 0,471 katika unseen corn-flour matrix.
• Kwa kuwa vipimo vya analiti mbili vinategemea surfaces zilizo-functionalized kwa antibodies tofauti, analyte-classification result haiwezi kutafsiriwa kwamba single universal sensor surface hutofautisha unknown analytes.
• Kuna in-text panel references za Figure 5 ambazo hazilingani na figure iliyochapishwa.

Matokeo yanayoungwa mkono na utafiti

• Antibody-functionalized electrochemical surfaces zilizalisha dose-dependent CV, coulometry na EIS changes katika concentrations zilizojaribiwa za Aflatoksin M1 na atrazine.
• Impedance calibration karibu 198 Hz ilitoa R² = 0,968 kwa Aflatoksin M1 na R² = 0,909 kwa atrazine.
• Katika spike-recovery conditions zilizojaribiwa, sehemu kubwa ya matokeo ilibaki ndani ya %80–120 acceptance window iliyotumiwa na utafiti.
• Sensa ya Aflatoksin M1 ilitoa target response kubwa zaidi kuliko Aflatoksin B1, na sensa ya atrazine kubwa zaidi kuliko glyphosate.
• Full-spectrum EIS data ilipotumiwa, Random Forest model ilitenganisha analiti mbili katika dataset ya utafiti kwa %97,4 accuracy na 0,994 AUC.
• Overall accuracy ya %93,33 iliripotiwa katika low/mid/high concentration classification.
• Leave-one-matrix-out test ilionyesha kwamba matrix change inaweza kuathiri model performance kwa kiasi kikubwa.

Matokeo ambayo utafiti hauungi mkono au kuthibitisha

• Haithibitishi kwamba sensa itafanya kazi kwa %97,4 accuracy katika real food market.
• Haionyeshi kwamba platform inaweza kuchukua nafasi ya regulatory reference methods katika unknown naturally contaminated samples.
• Kwa kuwa hakuna formal detection limit, haitoi guarantee ya reliable detection chini ya legal limit maalum.
• Kwa sababu interferents mbili tu zilijaribiwa, selectivity dhidi ya mycotoxins na pesticides zote haijathibitishwa.
• High ROC-AUC haithibitishi kwamba performance ileile itadumishwa kwenye new food types.
• Utafiti si continuous monitoring kwenye production line, sensor stability kwa shelf life, au long-term field-durability test.
• AI model haijavalidate kwenye independent external commercial dataset.

Inapaswa kusomwaje kwa mtazamo wa Türkiye?

Utafiti hauna food sample, production facility, regulatory limit au field data maalum kwa Türkiye. Kwa hiyo, matokeo hayawezi kuwasilishwa kama performance iliyothibitishwa moja kwa moja katika food-control infrastructure ya Türkiye.

Hata hivyo, kwa kuwa utafiti unaonyesha wazi kwamba food matrices tofauti zinaweza kubadilisha electrical background ya sensa ileile, unatoa general engineering framework inayoashiria kwamba platform kama hii ikitathminiwa kwenye bidhaa za chakula za Türkiye, product- na matrix-specific calibration itahitajika.

Mbinu na Matokeo ya Utafiti

Sampuli na reagents

Monoclonal antibodies mahususi kwa Aflatoksin M1 na atrazine zilitumika kama biorecognition elements. Katika antibody immobilization ilitumika 3,3′-dithiobis(sulfosuccinimidyl propionate), yaani DTSSP. Food matrices zilitengenezwa kutoka mahindi, unga wa mahindi na bidhaa iliyoelezwa katika chanzo tu kama “protein”, zilizonunuliwa katika supermarket ya eneo hilo.

Sampuli na reagents ziligawanywa katika aliquots ndogo na kuhifadhiwa katika −20 °C. Kabla ya experiment zililetwa kwenye room temperature na, inapohitajika, centrifugation ilifanywa ili kuondoa suspended particles.

Kifaa cha kielektrokemia na parameters za vipimo

Dose levels

EIS data processing

Kutoka kila EIS spectrum, frequency, |Z|, Z′, Z″ na phase angle zilitolewa. Watafiti walitumia data kama full-spectrum electrochemical fingerprint badala ya kuipunguza kuwa equivalent circuit model.

Sababu ya kutotumia equivalent-circuit modeling kama primary analysis ilielezwa kuwa experiments zilifanywa chini ya non-Faradaic conditions na spectra ziliwakilisha composite interface responses.

Ili idadi ya technical replicates isiathiri matokeo kwa kiwango kisicho sawia, means zilihesabiwa kwanza katika kiwango cha sensor chip. Results ziliwasilishwa kama mean na SEM across different chips.

Calibration results

AI results

Kulingana na model comparison figure, Random Forest ilionyesha weighted F1 performance ya juu zaidi. Katika classification ya analiti mbili kwa Random Forest, records 102/105 za Aflatoksin M1 na 88/90 za atrazine zilitabiriwa kwa usahihi.

Method limit katika machine-learning reporting

Ingawa chanzo kinaonyesha matokeo ya Random Forest, Gradient Boosting, SVM-RBF na Logistic Regression, model hyperparameters, random seed, detailed training/test ratio, hyperparameter-selection procedure na validation structure iliyo independent kabisa na sensor-chip identity hazijaripotiwa wazi.

Upungufu huu haufanyi performance values ziwe batili; lakini unaweka methodological uncertainty muhimu kuhusu independent reproducibility na kiwango ambacho matokeo yanaweza kuhamishwa kwenye real deployment scenarios.

Real-world validation limit

Food samples zilizotumiwa katika experiments ni controlled spiked matrices. Hakuna comparative reference-method validation iliyoripotiwa kwa naturally contaminated, unknown-source au blindly collected market samples.

Kwa hiyo, result yenye nguvu zaidi ya utafiti si kwamba “commercial food-testing system iko tayari”; bali ni kwamba antibody-based non-Faradaic EIS pamoja na AI analysis inaweza kuunda research platform inayotumika kwenye complex food matrices na kufanya matrix-transfer problem ionekane kwa quantitative terms.

Maelezo ya Chanzo na Mbinu

Jina kamili la kazi asilia: AI-Assisted Electrochemical Immunosensing for Matrix-Aware Detection of Aflatoxin M1 and Atrazine in Food Matrices

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

Mpangilio wa waandishi: Umetolewa katika chanzo kwa mpangilio huo hapo juu. Hakuna equal-first/equal-contribution marker.

Corresponding author: Shalini Prasad.

Taasisi: Department of Bioengineering, University of Texas at Dallas, Richardson, Texas, Marekani; EnLiSense LLC, Allen, Texas, Marekani.

Aina ya chanzo: Peer-reviewed original experimental research article.

Jarida: Biosensors.

Mchapishaji: MDPI, Basel, Switzerland.

Volume / issue / article: 16 / 7 / 352.

DOI: 10.3390/bios16070352.

Kiungo rasmi cha uchapishaji:https://doi.org/10.3390/bios16070352

Tarehe: Received 31 Mei 2026; revised 19 Juni 2026; accepted 21 Juni 2026; published 23 Juni 2026.

Peer-review status: Utafiti ni original research article iliyochapishwa katika jarida la peer-reviewed Biosensors. Si preprint.

Leseni: Creative Commons Attribution (CC BY); open access.

Ufadhili: Waandishi wameripoti kwamba utafiti haukupokea external funding.

Ethics committee: Haitumiki.

Informed consent: Haitumiki.

Data availability: Inaelezwa kwamba data inayounga mkono findings inaweza kupatikana kutoka corresponding author upon request. Makala inasema data haiko public kwa sababu ya “privacy or ethical restrictions”. Hata hivyo, utafiti ulifanywa kwa food matrices na ethics committee/consent zimeripotiwa kuwa not applicable; sababu ya kina ya restriction hiyo haijaelezwa katika chanzo.

Conflict of interest: Imetangazwa kwamba Shalini Prasad na Sriram Muthukumar wana significant financial interest katika EnLiSense LLC. Inaelezwa kuwa kampuni inaweza kuwa na commercial interest katika results na technology ya utafiti. Chanzo kinasema potential conflict of interest ilipitiwa na kusimamiwa na University of Texas at Dallas na haikuwa na role katika study design, data collection/analysis, report writing au publication decision. Pia inaelezwa tofauti kwamba portable device na technology platform ni proprietary technology ya EnLiSense LLC.

AI-use statement: Waandishi wameripoti kwamba wakati wa kuandaa makala walitumia Microsoft Copilot version 148.0.3967.70 kwa grammar correction, sentence structuring, clarity improvement na linguistic editing; na walipitia na kuhariri wenyewe outputs zote zilizosaidiwa na AI.

Michango ya waandishi: Conceptualization K.K.M., S.M. na S.P.; methodology K.K.M. na S.V.; software K.K.M., S.V. na S.M.; validation K.K.M. na S.M.; formal analysis K.K.M. na S.V.; investigation S.M. na S.P.; data curation K.K.M. na S.V.; first draft K.K.M. na S.V.; review/editing K.K.M., S.M. na S.P.; supervision S.M. na S.P.; project administration K.K.M., S.M. na S.P.; funding acquisition S.M. na S.P.

Figure 5 inconsistency ndani ya chanzo: A/B/C panel references katika results text hazilingani na mpangilio halisi wa panels katika Figure 5 iliyochapishwa na caption yake. Katika figure, A ni model comparison, B ni confusion matrix, C ni ROC curve na D ni leave-one-matrix-out validation. Text pia ina feature-importance analysis inayohusishwa na Figure 5C, lakini analysis hiyo haionekani katika figure yenye panels nne iliyochapishwa.

Machine-learning method note: Chanzo kinaripoti model performance na leave-one-matrix-out validation; hata hivyo reproducibility details kama hyperparameters, random seed, detailed train/validation/test split na sensor-chip-independent validation protocol hazitoshi. Kwa hiyo, model metrics zimewasilishwa kama experimental results zilizoripotiwa katika chanzo, si kama real-world generalization guarantee.

Analytical-method limit: Chanzo hakiripoti formal LOD au LOQ. Experimental concentration ranges hazija-label upya kama detection limits.

Field-validation limit: Utafiti unategemea controlled spike experiments katika mahindi, unga wa mahindi na protein matrices; hautoi blind, independent field validation kwenye naturally contaminated commercial food samples.

Verianla source note: Scientific method, mechanism, concentrations, EIS parameters, calibration results, recovery, cross-reactivity, AI classification na limitations katika maudhui haya zimetolewa kutoka kwenye source study iliyopakiwa. Matumizi ya external sources yamezuiliwa kwa kuthibitisha bibliographic identity, publication version na peer-review status ya jarida; hakuna new scientific result iliyoongezwa kutoka nje.