MétaCan
Menu
Retour à la cohorte
Enregistrement W2314063606 · doi:10.1021/nn500790m

A Proposed Mechanism of the Influence of Gold Nanoparticles on DNA Hybridization

2014· article· en· W2314063606 sur OpenAlexafffund
Abootaleb Sedighi, Paul C. H. Li, Idah C. Pekcevik, Byron D. Gates

Notice bibliographique

RevueACS Nano · 2014
Typearticle
Langueen
DomaineBiochemistry, Genetics and Molecular Biology
ThématiqueAdvanced biosensing and bioanalysis techniques
Établissements canadiensSimon Fraser University
Organismes subventionnairesBritish Columbia Knowledge Development Fund
Mots-clésColloidal goldDNA–DNA hybridizationDNANanoparticleBiosensorNanotechnologyNucleic acidNucleic acid thermodynamicsOligonucleotideBase pairMaterials scienceBiophysicsChemistryBiochemistryBiologyBase sequence

Résumé

récupéré en direct d'OpenAlex

A combination of gold nanoparticles (AuNPs) and nucleic acids has been used in biosensing applications. However, there is a poor fundamental understanding of how gold nanoparticle surfaces influence the DNA hybridization process. Here, we measured the rate constants of the hybridization and dehybridization of DNA on gold nanoparticle surfaces to enable the determination of activation parameters using transition state theory. We show that the target bases need to be detached from the gold nanoparticle surfaces before zipping. This causes a shift of the rate-limiting step of hybridization to the mismatch-sensitive zipping step. Furthermore, our results propose that the binding of gold nanoparticles to the single-stranded DNA segments (commonly known as bubbles) in the duplex DNA stabilizes the bubbles and accelerates the dehybridization process. We employ the proposed mechanism of DNA hybridization/dehybridization to explain the ability of 5 nm diameter gold nanoparticles to help discriminate between single base-pair mismatched DNA molecules when performed in a NanoBioArray chip. The mechanistic insight into the DNA-gold nanoparticle hybridization/dehybridization process should lead to the development of new biosensors.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,001
Score d'incertitude au seuil0,183

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,005
Tête enseignante GPT0,226
Écart entre enseignants0,221 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeExpérimental (laboratoire)
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations42
Publié2014
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueACS NanoMême sujetAdvanced biosensing and bioanalysis techniquesTravaux en français237 207