Análise multivariada de sinais SERS para a detecção de moléculas sobre nanocompósito de tetraóxido de tricobalto e nanopartículas de prata
| dc.contributor.advisor | Matos, Christiano José Santiago de | |
| dc.contributor.author | Tieppo, Kamila | |
| dc.date.accessioned | 2024-03-28T14:26:15Z | |
| dc.date.available | 2024-03-28T14:26:15Z | |
| dc.date.issued | 2024-02-20 | |
| dc.description.abstract | Diagnosticar doenças precocemente resulta em uma probabilidade maior de sucesso no tratamento e em prognósticos positivos, no entanto, envolve também a detecção de ana litos em baixa concentração e o uso de ensaios demorados para detectar analitos ligados a uma doença específica. Por outro lado, métodos aplicados em laboratórios de pesquisa, como a espectroscopia Raman intensificada por superfície (ou SERS), são ultra-sensíveis, altamente seletivos e podem detectar instantaneamente a presença de um ou mais analitos diferentes. A espectroscopia SERS se baseia na interação entre o analito e uma superfície, que normalmente consiste em nanopartículas metálicas. Consequentemente, a eficiência do SERS é diretamente dependente da superfície, e selecionar os materiais que a constituem e sintetizá-los tornam-se etapas cruciais para obtenção de sinais magnificados e reprodutíveis. As nanopartículas de prata (AgNPs) têm sido amplamente aplicadas como constituintes de plataformas SERS e, ao combiná-las a materiais bidimensionais (2D), resultam em nanocompósitos com propriedades plasmônicas superiores às dos materiais isolados. Além disso, os materiais 2D podem atuar como suporte para as AgNPs e estabilizá-las durante o processo de síntese. Ainda assim, apesar da obtenção de substratos SERS eficientes e baseados no nanocompósito, ao aplicá-los para a detecção de analitos em amostras complexas, a extração das informações do sinal SERS, correspondentes a cada analito, se torna um processo complexo também. Uma maneira de lidar com tal complexidade é implementar modelos de Machine Learning para análise multivariada dos sinais. O modelo aprende com base na similaridade dos sinais e pode relacioná-los a analitos específicos. A Análise de Componentes Principais (ou PCA) é um dos métodos de análise multivariada e, portanto, uma alternativa de aumentar a interpretabilidade e reduzir a complexidade de um conjunto de sinais SERS, preservando o máximo de informações estatísticas do sinal original. Em vista disso, este trabalho dispõe os resultados da (i) síntese de um nanocompósito baseado em óxido de cobalto (Co3O4) e AgNPs, por meio de uma rota de síntese interfacial, em que o nanocompósito se forma em uma interface água/tolueno; (ii) obtenção dos substratos SERS ao pescar o nanocompósito da interface com um substrato de Si/SiO2; e (iii) implementação de um modelo de análise multivariada dos sinais SERS baseado no PCA, para detecção e classificação de soluções de moléculas-modelo, como a rodamina 6G e o azul de metileno, de concentração 1×10−4 mol L−1 . Em (iii), as moléculas-modelo foram analisadas individualmente ou misturadas entre si e, no caso das misturas, foram preparadas em proporções de 1:1, 1:2 e 1:3 (v/v, R6G:MB). Ao alcançar (i)-(iii), medidas SERS estarão mais próximas da aplicação final, não somente difundidas no ambiente de pesquisa, e o modelo poderá ser aplicado na detecção de analitos reais. | |
| dc.description.sponsorship | CAPES - Coordenação de Aperfeiçoamento de Pessoal de Nível | |
| dc.description.sponsorship | IPM - Instituto Presbiteriano Mackenzie | |
| dc.identifier.uri | https://dspace.mackenzie.br/handle/10899/38294 | |
| dc.language.iso | pt_BR | |
| dc.language.iso | en | |
| dc.publisher | Universidade Presbiteriana Mackenzie | |
| dc.subject | análise de componentes principais | |
| dc.subject | detecção multianalito | |
| dc.subject | espectroscopia raman intensificada por superfície | |
| dc.subject | nanocompósito | |
| dc.title | Análise multivariada de sinais SERS para a detecção de moléculas sobre nanocompósito de tetraóxido de tricobalto e nanopartículas de prata | |
| dc.type | Dissertação | |
| local.contributor.advisorLattes | http://lattes.cnpq.br/6843256597783676 | |
| local.contributor.authorLattes | http://lattes.cnpq.br/0908143716145849 | |
| local.contributor.board1 | Maroneze, Camila Marchetti | |
| local.contributor.board1Lattes | http://lattes.cnpq.br/2414168927233444 | |
| local.contributor.board1Orcid | https://orcid.org/0000-0002-6835-4476 | |
| local.contributor.board2 | López, Mónica Benicia Mamián | |
| local.contributor.board2Lattes | http://lattes.cnpq.br/7720018196371794 | |
| local.contributor.board2Orcid | https://orcid.org/0000-0003-2040-7804 | |
| local.contributor.coadvisor | Fonsaca, Jéssica Eliza Silva | |
| local.contributor.coadvisorLattes | http://lattes.cnpq.br/1812624759186552 | |
| local.contributor.coadvisorOrcid | https://orcid.org/0000-0002-2935-1299 | |
| local.description.abstracten | Early diagnosing diseases results in a greater probability of successful treatment and more optimistic prognoses. However, it also involves detecting analytes in low concen trations and using time-consuming assays to detect analytes linked to a specific disease. On the other hand, methods applied in research laboratories, such as surface-enhanced Raman spectroscopy (or SERS), are ultra-sensitive, highly selective, and can instantly detect the presence of one or more different analytes. SERS spectroscopy is based on the interaction between the analyte and a surface, which normally consists of metallic nanoparticles. Consequently, the efficiency of SERS is directly dependent on the sur face, and selecting the materials that constitute it and synthesizing them become crucial steps for obtaining magnified and reproducible signals. Silver nanoparticles (AgNPs) have been widely applied as constituents of SERS platforms and, when combined with two-dimensional (2D) materials, they result in nanocomposites with plasmonic properties that are superior to those of isolated materials. Furthermore, 2D materials can act as a support for AgNPs and stabilize them during the synthesis process. Even so, despite obtaining efficient SERS substrates based on the nanocomposite, when applying them for the detection of analytes in complex samples, the extraction of information from the SERS signal, corresponding to each analyte, becomes a complex process as well. One way to deal with such complexity is to implement Machine Learning models for multivariate analysis of signals. The model learns based on the similarity of the signals and can relate them to specific analytes. Principal Component Analysis (or PCA) is one of the multiva riate analysis methods and, therefore, an alternative to increase the interpretability and reduce the complexity of a set of SERS signals, preserving as much statistical informa tion as possible of the original signal. In view of this, this work presents the results of the (i) synthesis of a nanocomposite based on cobalt oxide (Co3O4) and AgNPs, through an interfacial synthesis route, in which the nanocomposite is formed in a water/toluene interface; (ii) obtaining the SERS substrates by scooping the nanocomposite from the interface with a Si/SiO2 substrate; and (iii) implementation of a multivariate analysis model of SERS signals based on PCA, for detection and classification of model molecule solutions, such as rhodamine 6G and methylene blue, in concentration of 1 ×10−4 mol L −1 . In (iii), the model molecules were analyzed individually or mixed, and, in the case of mixtures, they were prepared in proportions of 1:1, 1:2 and 1:3 (v/v, R6G:MB). Upon completing (i)-(iii), SERS measurements will be closer to the final application, not only disseminated in the research environment, and the model can be applied in the detection of real world analytes. | |
| local.keywords | principal component analysis | |
| local.keywords | multianalyte detection | |
| local.keywords | surface enhanced raman spectroscopy | |
| local.keywords | nanocomposite | |
| local.publisher.country | Brasil | |
| local.publisher.department | Escola de Engenharia Mackenzie (EE) | |
| local.publisher.initials | UPM | |
| local.publisher.program | Engenharia de Materiais e Nanotecnologia | |
| local.subject.cnpq | CNPQ::ENGENHARIAS::ENGENHARIA DE MATERIAIS E METALURGICA |