A guide to accurate measurement of diffusion using fluorescence correlation techniques with blinking quantum dot nanoparticle labels
Notice bibliographique
Résumé
Fluctuation-based fluorescence correlation techniques are widely used to study dynamics of fluorophore labeled biomolecules in cells. Semiconductor quantum dots (QDs) have been developed as bright and photostable fluorescent probes for various biological applications. However, the fluorescence intermittency of QDs, commonly referred to as "blinking", is believed to complicate quantitative correlation spectroscopy measurements of transport properties, as it is an additional source of fluctuations that contribute on a wide range of time scales. The QD blinking fluctuations obey power-law distributions so there is no single characteristic fluctuation time for this phenomenon. Consequently, it is highly challenging to separate fluorescence blinking fluctuations from those due to transport dynamics. Here, we quantify the bias introduced by QD blinking in transport measurements made using fluctuation methods. Using computer simulated image time series of diffusing point emitters with set "on" and "off" time emission characteristics, we show that blinking results in a systematic overestimation of the diffusion coefficients measured with correlation analysis when a simple diffusion model is used to fit the time correlation decays. The relative error depends on the inherent blinking power-law statistics, the sampling rate relative to the characteristic diffusion time and blinking times, and the total number of images in the time series. This systematic error can be significant; moreover, it can often go unnoticed in common transport model fits of experimental data. We propose an alternative fitting model that incorporates blinking and improves the accuracy of the recovered diffusion coefficients. We also show how to completely eliminate the bias by applying k-space image correlation spectroscopy, which completely separates the diffusion and blinking dynamics, and allows the simultaneous recovery of accurate diffusion coefficients and QD blinking probability distribution function exponents.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,003 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,003 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,003 |
| Science ouverte | 0,004 | 0,001 |
| Intégrité de la recherche | 0,003 | 0,006 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,021 | 0,027 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».