چكيده فارسي :
افزايش سريع جمعيت جهاني منجر به تشديد آلودگي آب شده و اين مسئله به يكي از چالشهاي مهم زيستمحيطي تبديل شده است. يونهاي فلزات سنگين به دليل سميت بالا و قابليت تجمع زيستي در زنجيره غذايي، از خطرناكترين آلايندهها به شمار ميروند و اندازهگيري دقيق آنها ضروري است. در اين ميان، گونهشناسي آرسنيك بهطور ويژه اهميت دارد، زيرا سميت و تأثيرات زيستمحيطي آرسنيك به شكل شيميايي آن وابسته است. آرسنيت (As(III)) بهمراتب سميتر از آرسنات (As(V)) است و تمايز دقيق اين گونهها براي ارزيابي خطرات بهداشتي و طراحي راهبردهاي مؤثر تصفيه آب بسيار مهم است. علاوه بر اين، گونهشناسي دقيق آرسنيك به رعايت استانداردهاي نظارتي كمك كرده و ايمني آب آشاميدني را بهويژه در مناطقي كه در معرض آلودگي آرسنيك هستند، تضمين ميكند. اين مطالعه بر طراحي حسگر آرايهاي رنگسنجي براي گونهشناسي آرسنيك در نمونههاي آب با استفاده از نانوذرات طلا (AuNPs) متمركز است. مكانيسم تشخيص بر اساس توانايي منحصربهفرد گونههاي آرسنيك در برهمكنش با آمينواسيدهاي حاوي گروه تيول طراحي شده است. گلوتاتيون (GSH) و سيستئين (Cys) به دليل توانايي آنها در القاي تجمع وابسته به pH نانوذرات طلا از طريق گروههاي تيول انتخاب شدند. اين برهمكنشها رفتارهاي ضد تجمع منحصربفردي را در حضور گونههاي آرسنيك نشان داده كه به تغييرات قابل اندازهگيري در خواص نوري نانوذرات منجر شد. دو عنصر حسگر SE1 (نانوذرات طلا و سيستئين در pH=6.0) و SE2 (نانوذرات طلا و گلوتاتيون در pH=5.0) طراحي شدند. در حضور گونههاي آرسنيك، نانوذرات طلا تجمعيافته، رفتار ضد تجمعي نشان ميدهند كه باعث جابجايي آبي طولموج جذبي و تغيير رنگ مشهود آنها از آبي به قرمز ميشود. الگوهاي طيفي پاسخ عناصر حسگر وابسته به نوع و غلظت آناليتها (آرسنيت، آرسنات يا مخلوط آنها) است. براي تحليل پاسخهاي حسگرآرايهاي، از روشهاي يادگيري ماشين از جمله تحليل تفكيك خطي (LDA) و رگرسيون حداقل مربعات جزئي (PLSR) استفاده شد. تحليل مؤلفه اصلي (PCA) به همراه LDA توانست تمايز دقيق گونههاي آرسنيك خالص و مخلوط را در يك بازه گسترده غلظتي ارائه دهد. تحليل كمي با استفاده از PLSR حد تشخيص(LOD) 5 و 4/7 ميكرومولار براي آرسنيت وآرسنات، با بازه خطي 10-200 ميكرومولار و 20-800 ميكرومولار بهترتيب در نمونههاي خالص نشان داد. در نمونههاي مخلوط، اين روش LOD معادل 3/3 ميكرومولار و بازه خطي 30-480 ميكرومولار براي غلظت كل آرسنيك را ارائه داد. همچنين، حسگرآرايهاي در نمونههاي واقعي آب آشاميدني و چاه بهطور موفقيتآميز اعتبارسنجي شد و نتايج رضايتبخشي در مقايسه با روش استاندارد GF-AAS ارائه داد. اين روش نوآورانه، راهحلي قابل اعتماد، اقتصادي و كارآمد براي گونهشناسي آرسنيك ارائه ميدهد و به بهبود پايش كيفيت آب و حفاظت از سلامت عمومي كمك ميكند
چكيده انگليسي :
The rapid growth in global population has intensified water pollution, making it a critical environmental challenge. Heavy metal ions are among the most hazardous pollutants due to their high toxicity and ability to bioaccumulate within the food chain, necessitating their precise quantitative measurement. Arsenic, in particular, requires attention due to its speciation-dependent toxicity and environmental behavior. Arsenite (As(III)) is significantly more toxic than arsenate (As(V)), emphasizing the importance of accurately distinguishing these species for effective health risk assessments and the development of targeted water treatment strategies. Furthermore, accurate arsenic speciation ensures compliance with regulatory standards and safeguards drinking water quality, especially in regions prone to arsenic contamination.
This study focuses on the development of a colorimetric sensor array for arsenic speciation in water samples using plasmonic gold nanoparticles (AuNPs). The sensing mechanism exploits the distinct ability of arsenic species to interact with thiol-containing amino acids. Glutathione (GSH) and Cysteine (Cys) were chosen for their capacity to induce pH-dependent aggregation of AuNPs via thiol group interactions. The interaction of arsenic species with GSH and Cys demonstrated unique anti-aggregation behaviors, leading to measurable changes in the optical properties of AuNPs. Two sensor elements were developed: SE1 (AuNPs with Cys at pH 6.0) and SE2 (AuNPs with GSH at pH 5.0).
Upon exposure to arsenic species, AuNPs in aggregation states exhibited anti-aggregation behavior, causing a blueshift in absorption spectra and a visible color transition from blue to red. The response patterns of the sensor elements were dependent on the type and concentration of the analytes (arsenite, arsenate, or their mixtures). To analyze the sensor array’s response profiles, machine learning techniques such as Linear Discriminant Analysis (LDA) and Partial Least Squares Regression (PLSR) were applied. Principal Component Analysis (PCA), followed by LDA, enabled accurate discrimination of pure and mixed arsenic species across a broad concentration range. Quantitative analysis using PLSR achieved detection limits (LOD) of 5 µM for arsenite and 7.4 µM for arsenate, with linear ranges of 10–200 µM and 20–800 µM, respectively, in pure samples. For mixed samples, the method demonstrated an LOD of 3.3 µM and a linear range of 30–480 µM for total arsenic concentration.
The sensor array was successfully validated using real drinking and well-water samples, yielding satisfactory results when compared to standard methods. This innovative approach offers a reliable, cost-effective, and efficient solution for arsenic speciation, contributing to improved water quality monitoring and public health protection.
