Nanoparticle Bioconjugates: Materials that Benefit from Chemoselective and Bioorthogonal Ligation Chemistries
Notice bibliographique
Résumé
This chapter presents an overview of the preparation of nanoparticle bioconjugates, illustrated with many representative examples. Nanoparticle materials that are discussed include gold and silver nanoparticles, silica nanoparticles, iron oxide and other magnetic nanoparticles, semiconductor quantum dots, lanthanide nanoparticles, polymer and amphiphile nanoparticles (e.g., liposomes), and carbon allotropes such as carbon nanotubes, graphene and graphene oxide, carbon dots, and fullerenes. Important aspects of the synthesis and chemical functionalization of nanoparticles are summarized, as are important considerations for their bioconjugation: sites for conjugation; intricacies, challenges and opportunities associated with the physical and chemical features of nanoparticles; and the purification and characterization of nanoparticle bioconjugates. Following a brief review of the application of traditional bioconjugate reactions (e.g., carbodiimide coupling, cross-linkers, biotin-avidin) with nanoparticles, the chapter focuses on the growing utilization of chemoselective and bioorthogonal chemistries for the preparation of nanoparticle bioconjugates. These chemistries include azide-alkyne cycloaddition, Diels–Alder reactions, Staudinger ligation, hydrazone and oxime ligation, thiol-ene chemistry, native chemical ligation and intein-assisted conjugation, enzymatic ligation, and affinity and coordinate interactions. The resultant nanoparticle bioconjugates enable applications such as bioanalytical assays, cellular labeling and imaging, diagnostic imaging, and drug delivery and therapy.
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) | 0,018 | 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 ».