Synthesis of Uniform NaLnF<sub>4</sub> (Ln: Sm to Ho) Nanoparticles for Mass Cytometry
Notice bibliographique
Résumé
Over the past decade, there have been extensive developments in the field of lanthanide-based nanoparticles (NPs). Most studies have focused on the application of upconverting NaYF 4 -based NPs for deep tissue imaging and paramagnetic NaGdF 4 NPs for MRI. Current applications for the remaining members of the lanthanide series are rather limited. Recently, a novel bioanalytical technique known as mass cytometry (MC) has been developed which can benefit from the entire lanthanide series of NPs. MC is a high-throughput multiparametric cell-by-cell analysis technique based on atomic mass spectrometry that uses antibodies labeled with metal isotopes for biomarker detection. NaLnF 4 NPs offer the promise of high sensitivity coupled with multiparameter detection, provided that NPs can be synthesized with a narrow size distribution. Here we describe the synthesis of six members of this NP family (NaSmF 4, NaEuF 4, NaGdF 4, NaTbF 4, NaDyF 4, NaHoF 4 ) with the appropriate size (5–30 nm) and size distribution (CV < 5%) for MC. We employed the coprecipitation method developed by Li and Zhang [ Nanotechnology 2008, 19, 345606], and for each member of this series, we examined the heating rate, final reaction temperature, and composition of the reaction mixture in an attempt to optimize the synthesis. For each of the six NaLnF 4, in the range of the target sizes, we were able to identify “sweet spots” in the reaction conditions to obtain NPs with a narrow size distribution. In addition, we investigated the oleate surface coverage of the NPs and the effect of long-term storage (2 years) on the colloidal stability of the NPs. Finally, NaTbF 4 NPs were rendered hydrophilic via lipid encapsulation and tested for nonspecific binding with KG1a and Ramos cells by mass cytometry.
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 | 0,001 | 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 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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 ».