Gold surface nanostructuring for separation and sensing of biomolecules
Notice bibliographique
Résumé
Detecting biomolecules in physiological environments is critical to health care and environmental monitoring. In this work, we study and use gold surfaces for biomolecule detection while incorporating nanoscale components—specifically, self-assembled monolayers (SAMs) of alkanethiols and gold nanostructured shells—with the goal of improving biomolecule detection methods. Using SAMs to functionalize gold surfaces can offer control over biomolecule binding density and orientation while still keeping the biomolecules near the sensing surface. Using surface IR spectroscopy, x-ray photoelectron spectroscopy (XPS), and density functional theory (DFT) modeling, we found that SAMs of short-chain and long-chain amine-terminated alkanethiols on gold had different sulphur binding environments. We also found that protein binding and recognition on the two different SAMs varied with SAM chain length and was also influenced by the presence of a cross-linker. In the second part of this work, we synthesized gold nanostructured shells on magnetic particles for combined separation and detection of biomolecules. We demonstrated their use as substrates for surface-enhanced Raman spectroscopy (SERS) As a proof-of-concept, we demonstrated the use of these particles to detect oligonucleotide binding and hybridization with SERS using a Raman-tagged oligonucleotide hairpin probe.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| 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 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».