Determining the Concentration Dependent Transformations of Ag Nanoparticles in Complex Media: Using SP-ICP-MS and Au@Ag Core–Shell Nanoparticles as Tracers
Notice bibliographique
Résumé
The fate, behavior, and impact of engineered nanoparticles (NPs) in toxicological and environmental media are driven by complex processes which are difficult to quantify. A key limitation is the ability to perform measurements at low and environmentally relevant concentrations, since concentration may be a key factor determining fate and effects. Here, we use single particle inductively coupled mass spectroscopy (SP-ICP-MS) to measure directly NP diameter and particle number concentration of suspensions containing gold–silver core–shell (Au@Ag) NPs in EPA moderately hard water (MHW) and MHW containing 2.5 mg L –1 Suwannee River fulvic acid. The Au core of the Au@Ag NPs acts as an internal standard, and aids in the analysis of the complex Ag transformations. The high sensitivity of SP-ICP-MS, along with the Au@Ag NPs, enabled us to track the NP transformations in the range 0.01 and 50 μg L –1, without further sample preparation. On the basis of the analysis of both Au and Ag parameters (size, size distribution, and particle number), concentration was shown to be a key factor in NP behavior. At higher concentration, NPs were in an aggregation-dominated regime, while at the lower and environmentally representative concentrations, dissolution of Ag was dominant and aggregation was negligible. In addition, further formation of ionic silver as Ag NPs in the form of AgS or AgCl was shown to occur. Between 1 and 10 μg L –1, both aggregation and dissolution were important. The results suggest that, under realistic conditions, the role of NP homoaggregation may be minimal. In addition, the complexity of exposure and dose in dose–response relationships is highlighted.
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 | 0,001 | 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 | 0,001 | 0,004 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 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 ».