مروری بر محتوای خبر
تیمی از پژوهشگران دانشگاه رایس و کالج پزشکی بیلور موفق به توسعه یک راهکار نوآورانه برای شناسایی آلایندههای خطرناک در خاک شدهاند؛ آلایندههایی که حتی پیشتر در آزمایشگاه جداسازی یا بررسی نشدهاند. این روش که در نشریه معتبر Proceedings of the National Academy of Sciences منتشر شده، ترکیبی است از تصویربرداری نوری، پیشبینی طیف نوری ترکیبات شیمیایی و الگوریتمهای یادگیری ماشین برای شناسایی ترکیبات سمی مانند هیدروکربنهای آروماتیک چندحلقهای (PAHs) و مشتقات آنها (PACs) در خاک.
مقابله با آلایندههای ناشناخته در محیط زیست
PAHs و PACs که معمولاً محصول جانبی احتراق هستند، با بیماریهایی مانند سرطان و اختلالات رشد در انسان ارتباط دارند. شناسایی آنها در خاک معمولاً نیازمند آزمایشگاههای پیشرفته و نمونههای مرجع فیزیکی از آلایندههاست. اما بسیاری از آلایندههای زیستمحیطی که تهدیدی برای سلامت عمومی هستند، هنوز هیچ داده آزمایشگاهی شناختهشدهای ندارند.
پروفسور «نائومی هالاس» از دانشگاه رایس میگوید:
«این روش امکان شناسایی ترکیباتی را فراهم میکند که هنوز به صورت تجربی جدا یا بررسی نشدهاند.»
فناوری تشخیص آلاینده: ترکیب طیفسنجی نوری و یادگیری ماشین
در این روش از طیفسنجی رامان تقویتشده با سطح (SERS) استفاده شده است که تعامل نور با مولکولها را بررسی کرده و الگوهای منحصربهفرد نوری هر ترکیب را ثبت میکند؛ الگوهایی که همچون «اثر انگشت شیمیایی» برای هر ماده شیمیایی عمل میکنند.
پژوهشگران با استفاده از نظریه تابع چگالی (DFT)، طیف نوری تعداد زیادی از ترکیبات PAH و PAC را بر پایه ساختار مولکولیشان محاسبه کرده و کتابخانهای مجازی از اثر انگشت نوری آنها ایجاد کردند.
سپس دو الگوریتم یادگیری ماشین با نامهای «استخراج پیک مشخصه» و «شباهت پیک مشخصه» برای تطبیق طیف واقعی نمونههای خاک با طیفهای کتابخانه مجازی به کار گرفته شدند.
کاربرد عملی و آینده این فناوری
این روش در نمونهبرداری از یک حوزه آبخیز طبیعی بازسازیشده در محوطه دانشگاه رایس آزمایش شد. نتایج نشان داد که حتی آثار بسیار کم PAH نیز با دقت و سرعت بالا شناسایی شدهاند؛ فرآیندی بسیار سادهتر و سریعتر از روشهای سنتی.
دکتر «آرا نیومن»، یکی از نویسندگان این پژوهش، میگوید:
«این روش توانایی شناسایی مولکولهای آلاینده PAH و PAC ناشناخته یا کمتر بررسیشده را دارد.»
به گفته دکتر «توماس سنفتل»، دانشیار مهندسی شیمی در دانشگاه رایس، این روش مانند شناسایی چهره فردی است که در گذر زمان تغییر کرده است. او میگوید:
«شما ممکن است عکس کسی را در نوجوانی داشته باشید، اما اکنون او در دهه سوم زندگیاش است؛ ما با پیشبینی نظری، چهره جدید او را بازسازی میکنیم.»
امکان تست میدانی با دستگاههای قابلحمل
پژوهشگران امیدوارند در آینده این فناوری با تلفیق کتابخانه طیفی و الگوریتمهای یادگیری ماشین با دستگاههای قابلحمل Raman، به سیستمهای قابل استفاده در مزرعه یا محیطهای شهری تبدیل شود. این به کشاورزان، فعالان محیط زیست و نهادهای نظارتی اجازه خواهد داد تا بدون نیاز به ارسال نمونه به آزمایشگاههای تخصصی، آلایندههای خطرناک خاک را در محل شناسایی کنند.
منبع:
Yilong Ju et al, In silico machine learning–enabled detection of polycyclic aromatic hydrocarbons from contaminated soil, Proceedings of the National Academy of Sciences (2025). DOI: ۱۰.۱۰۷۳/pnas.2427069122
دیدگاه و تحلیل خود را درباره این خبر مطرح کنید. نظرات ارسالی پس از بررسی و تأیید تیم تحریریه، در وبسایت منتشر خواهد شد.