Plasmon-Induced Photoluminescence Immunoassay for Tuberculosis Monitoring Using Gold-Nanoparticle-Decorated Graphene
Notice bibliographique
Résumé
Metal-nanoparticle-functionalized graphene, in particular, graphene sheets containing Au nanoparticles (Au NPs), have generated considerable interest because of their unique optical and electrical characteristics. In this study, we successfully produced graphene sheets decorated with Au NPs (AuGrp) using phytochemicals as reducing agents. During this reaction, Au ions intercalated into the layered graphene flakes and were then reduced into NPs, exfoliating the graphene sheets. The physicochemical properties of the AuGrp nanocomposites were characterized, and the exfoliation process was investigated using a molecular dynamics simulation of Au NPs between graphene sheets. Our proposed technique is advantageous because the phytochemicals are mild reducing agents that preserve the graphene structure during exfoliation and NP decoration. The dispersity of the NPs on the graphene sheets was drastically improved due to the use of metal-ion intercalation. Moreover, the electrical conductivity was 6-30 times higher than that of bare graphene and reduced graphene oxide. Using antibody (Ab) modified AuGrp sheets and quantum dots, a plasmonic-induced photoluminescence immunoassay of tuberculosis (TB) antigen (aG) CFP-10 was demonstrated for a potential application of these materials. The enhancement of photoluminescence (PL) response was monitored depending on the various TB aG concentrations from 5.1 pg/mL to 51 μg/mL, and the detection limit for CFP-10 was 4.5 pg/mL. Furthermore, the selectivity was demonstrated with Ag85 as the other TB aG, and PL enhancement was not observed in this case. Therefore, AuGrp-based immunoassay showed the potential for biosensor application.
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) | 0,001 | 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 ».