Surface-enhanced hyper Raman hyperspectral imaging and probing in animal cells
Notice bibliographique
Résumé
Hyper Raman scattering, that is, spontaneous, two-photon excited Raman scattering, of organic molecules becomes strong when it occurs as surface-enhanced hyper Raman scattering (SEHRS), in the proximity of plasmonic nanostructures. Its advantages over one-photon excited surface-enhanced Raman scattering (SERS) include complementary vibrational information resulting from different selection rules, probing of very small focal volumes, and beneficial excitation with long wavelengths. Here, imaging of macrophage cells by SEHRS is demonstrated, using SEHRS labels consisting of silver nanoparticles and two different molecules, 2-naphthalenethiol and para-mercaptobenzoic acid, that are excited off-resonance. The vibrational signatures of the molecules are discriminated using hyperspectral analysis and provide information about the subcellular localization of the SEHRS probes. The SEHRS based hyperspectral imaging approach presented here uses principal component analysis (PCA) to localize the reporter molecules inside the cells and is augmented by hierarchical cluster analysis (HCA). The high sensitivity of SEHRS spectra with respect to small environmental changes can be utilized for mapping of physiological parameters in the endosomal system of the cells. This is illustrated by discussing the spatial distribution of endosomes of varying pH inside the cytosol.
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 | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 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 ».