Exploiting plasmonics in biosensing and bioimaging: monitoring cell receptors with surface enhanced spectroscopy and microscopy
Notice bibliographique
Résumé
The plasmon resonance of noble metal nanoparticles (NP) manifests itself in a variety of extraordinary optical properties. Resonant excitation of the conduction electrons by incident radiation generates a localized surface plasmon resonance (LSPR) that is responsible for a variety of surface enhanced optical phenomena. This unique optical property coupled with well-established surface chemistry allows us to utilize both Ag and Au NP as optical contrasting agents to probe and monitor the surface receptors of cells. We have employed two plasmon-assisted optical techniques (namely, surface enhanced Raman scattering, and resonant Rayleigh scattering) to monitor the adrenergic receptors in mammalian cardiomyocyte cells that have been labeled with functionalized Ag NPs. In this study, a unique Raman reporter molecule, 4-(mercaptomethyl)benzonitrile, was developed to provide an easily identifiable vibration, the C≡N stretch, in a spectral window free from Raman bands of cell constituents and other biomolecules used in receptor crosslinking and surface passivation. Successfully labeled cells were then monitored with both optical techniques. Both techniques are related through the plasmonic properties of the noble metal NP and combined with high resolution imaging techniques; we outline the importance that different NP architectures play in the different imaging techniques. Furthermore, we will discuss the instrumentation and plasmonic implications in the design of NP best suited for such multimodal imaging approaches.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
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 ».