Surface-Enhanced Raman Scattering Dye-Labeled Au Nanoparticles for Triplexed Detection of Leukemia and Lymphoma Cells and SERS Flow Cytometry
Notice bibliographique
Résumé
The labeling of cell surface receptors by fluorescent markers is an established method for the identification of cell phenotype in both research and clinical settings. Fluorescence dye labeling has inherent constraints, most notably the upper limit of labels per cell that may be probed using a single excitation source, in addition to a physical limit to the number of broad emission spectra that can be distinctly collected within the visible wavelength region. SERS labeling has the potential to mitigate these shortfalls. Herein, antibody-targeted, PEG-coated surface-enhanced Raman scattering (SERS) Au nanoparticles are used simultaneously to label three cell surface markers of interest on malignant B cells from the LY10 lymphoma cell line. The SERS probes were characterized by multiple methods to confirm their monodispersity and functionalization with both PEG and monoclonal antibodies. The specificity of the particles' cell labeling was demonstrated on both primary chronic lymphocytic leukemia and LY10 cells using SERS from cell suspensions and confocal Raman mapping, respectively. Fluorescence flow cytometry was employed to confirm the binding of SERS probes to LY10 over large cell populations, and the particles' SERS was collected directly from labeled cells using a commercial flow cytometer. To the best of our knowledge, this is the first demonstration of SERS flow cytometry from cells tagged with targeted SERS probes.
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 ».