AbstractCarboxylic acids (CAs) have been reported as potential biomarkers of specific diseases or human body odors. A visual sensor array is described here that is based on indicator displacement assays (IDAs). The arrays were prepared by spotting solutions of the following metal complexes: Murexide-Ni(II), murexide-Cu(II), zincon-Zn(II) and xylenol orange-Cu(II), with the capability of discrimination of 15 carboxylic acids (CAs) and the quantitation of pyruvic acid (PA). Clear differences can be observed through distinctive difference maps obtained within 5 min by subtraction of red, green and blue (RGB) values of digital images after and before exposure to analytes. After an analysis of multidimensional data by pattern recognition algorithms including HCA, PCA and LDA, excellent classification specificity, and accuracy of >96% were obtained for all samples. The IDA array exhibited a linear range from 10 to 1500 μM with a theoretical detection limit of 3.5 μM towards PA. Recoveries of real samples varied from 84.8% to 114.3%. As-fabricated IDA sensor array showed an excellent selectivity among other organic interfering substances and a good batch to batch reproducibility, demonstrating its robustness. All these observations suggested that the IDA sensor array is one of the most promising paths for the discrimination of CAs. Graphical abstractSchematic diagram of indicator displacement assay (a), the procedure for acquisition of difference maps (b), and pattern recognitions for CAs (c). The method uses hierarchical cluster analysis (HCA), principal component analysis (PCA) and linear discriminant analysis (LDA)

中文翻译：

---

基于指示剂置换分析的视觉传感器阵列，用于检测羧酸

摘要羧酸 (CA) 已被报道为特定疾病或人体气味的潜在生物标志物。此处描述了一种基于指示剂置换分析 (IDA) 的视觉传感器阵列。通过点样以下金属配合物的溶液制备阵列：Murexide-Ni(II)、Murexide-Cu(II)、zincon-Zn(II) 和二甲苯酚橙-Cu(II)，具有区分 15 羧酸的能力酸 (CA) 和丙酮酸 (PA) 的定量。通过在暴露于分析物之前和之后减去数字图像的红色、绿色和蓝色 (RGB) 值，在 5 分钟内获得独特的差异图，可以观察到明显的差异。通过包括 HCA、PCA 和 LDA 在内的模式识别算法对多维数据进行分析后，具有出色的分类特异性和 > 所有样品均获得 96%。IDA 阵列表现出从 10 到 1500 μM 的线性范围，对 PA 的理论检测限为 3.5 μM。实际样品的回收率从 84.8% 到 114.3% 不等。制造的 IDA 传感器阵列在其他有机干扰物质中表现出出色的选择性和良好的批次重现性，证明了其稳健性。所有这些观察结果表明，IDA 传感器阵列是区分 CA 的最有希望的途径之一。图形摘要指示剂位移测定的示意图（a），获取差异图的程序（b）和 CA 的模式识别（c）。该方法使用层次聚类分析（HCA）、主成分分析（PCA）和线性判别分析（LDA）IDA 阵列表现出从 10 到 1500 μM 的线性范围，对 PA 的理论检测限为 3.5 μM。实际样品的回收率从 84.8% 到 114.3% 不等。制造的 IDA 传感器阵列在其他有机干扰物质中表现出出色的选择性和良好的批次重现性，证明了其稳健性。所有这些观察结果表明，IDA 传感器阵列是区分 CA 的最有希望的途径之一。图形摘要指示剂位移测定的示意图（a），获取差异图的程序（b）和 CA 的模式识别（c）。该方法使用层次聚类分析（HCA）、主成分分析（PCA）和线性判别分析（LDA）IDA 阵列表现出从 10 到 1500 μM 的线性范围，对 PA 的理论检测限为 3.5 μM。实际样品的回收率从 84.8% 到 114.3% 不等。制造的 IDA 传感器阵列在其他有机干扰物质中表现出出色的选择性和良好的批次重现性，证明了其稳健性。所有这些观察结果表明，IDA 传感器阵列是区分 CA 的最有希望的途径之一。图形摘要指示剂位移测定的示意图（a），获取差异图的程序（b）和 CA 的模式识别（c）。该方法使用层次聚类分析（HCA）、主成分分析（PCA）和线性判别分析（LDA）实际样品的回收率从 84.8% 到 114.3% 不等。制造的 IDA 传感器阵列在其他有机干扰物质中表现出出色的选择性和良好的批次重现性，证明了其稳健性。所有这些观察结果表明，IDA 传感器阵列是区分 CA 的最有希望的途径之一。图形摘要指示剂位移测定的示意图（a），获取差异图的程序（b）和 CA 的模式识别（c）。该方法使用层次聚类分析（HCA）、主成分分析（PCA）和线性判别分析（LDA）实际样品的回收率从 84.8% 到 114.3% 不等。制造的 IDA 传感器阵列在其他有机干扰物质中表现出出色的选择性和良好的批次重现性，证明了其稳健性。所有这些观察结果表明，IDA 传感器阵列是区分 CA 的最有希望的途径之一。图形摘要指示剂位移测定的示意图（a），获取差异图的程序（b）和 CA 的模式识别（c）。该方法使用层次聚类分析（HCA）、主成分分析（PCA）和线性判别分析（LDA）证明其稳健性。所有这些观察结果表明，IDA 传感器阵列是识别 CA 的最有希望的途径之一。图形摘要指示剂位移测定的示意图（a），获取差异图的程序（b）和 CA 的模式识别（c）。该方法使用层次聚类分析（HCA）、主成分分析（PCA）和线性判别分析（LDA）证明其稳健性。所有这些观察结果表明，IDA 传感器阵列是区分 CA 的最有希望的途径之一。图形摘要指示剂位移测定的示意图（a），获取差异图的程序（b）和 CA 的模式识别（c）。该方法使用层次聚类分析（HCA）、主成分分析（PCA）和线性判别分析（LDA）