Quantum Dot and Gold Nanoparticle Immobilization for Biosensing Applications using Multidentate Imidazole Surface Ligands
Notice bibliographique
Résumé
A facile approach for modification of solid substrates with multidentate imidazole ligands was developed for immobilization of high densities of quantum dots (QDs) that were capped with hydrophilic thiol-based ligands, and for immobilization of noble metal nanoparticles. Imidazole polymer was synthesized using poly(acrylic acid) as a backbone, and grafted on amine functionalized substrate in a two-step approach. The polymer-modified surface was characterized using ellipsometry, water contact angle, and X-ray photoelectron spectroscopy. Fluorescence spectroscopy and scanning electron microscopy were used to evaluate nanoparticle immobilization. Homogeneous, high density (ca. 5 × 10(11) cm(-2)) QD films formed via self-assembly were obtained within 4-6 h. Similarly, the imidazole polymer was also shown to be effective for immobilization of gold nanoparticles as a uniform film. By making use of the pH-sensitive affinity of the imidazole rings to zinc on the surface of QDs, it was possible to achieve regeneration of functional ligands suitable for subsequent immobilization of new QDs. Immobilized QDs were used as a platform for bioconjugation with oligonucleotides and peptides. The transduction of nucleic acid hybridization and enzyme activity using QDs as energy donors in interfacial fluorescence resonance energy transfer (FRET) indicated that the immobilization strategy preserved the functional properties of the QDs. The multidentate imidazole ligands used for QD immobilization offer the highest denticity of binding in comparison to the currently available approaches without compromise in their optical properties and ability to interact with biomolecules in solution.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| 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 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».