Are upconverting Ln<sup>3+</sup>based nanoparticles any good for deep tissue imaging with retention of optical sectioning?
Notice bibliographique
Résumé
An effective strategy is presented to make spherical Ln3+ doped NaYF4 nanoparticles that show upconversion, with the aim of deep-tissue optical imaging. Upconversion is the conversion of two or more low-energy photons into one of higher energy, e.g. 980 nm to 545 and 680 nm and 980 nm to 800 nm. In order to avoid the formation of nanoparticles with an aspect ratio, we developed a strategy in which subsequent shells were grown on spherical seed nanoparticles. The last shell is undoped in order to improve the optical properties. In addition, a simple intercalation strategy involving the oleate ligands on the surface has been developed to make the nanoparticles dispersible in aqueous solutions and physiological buffers. Two-photon upconversion laser scanning microscopy (TPULSM) and two-photon upconversion wide-field microscopy (TPUWFM) have been tested for their suitability in deep-tissue imaging with retention of lateral and depth resolution (also called optical sectioning). TPULSM can be used up to ~ 600 μm deep, but takes inordinately long times to acquire, which is due to the fact that the absorption cross section of Yb3+ is low, the quantum yield of the upconversion process are << 1%, and the Ln3+ excited states are up to several hundreds of μs. Hence UCNPs in general are not very bright (i.e. large emitted photon flux). The TPUWFM seems more promising because acquisition times are only several minutes, with depth profiling up to 400 μm. We show the first optical sectioning with this technique in the brain of a mouse, through a thin shaved skull.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
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 ».