MétaCan
Menu
Retour à la cohorte
Enregistrement W2681263597 · doi:10.1039/c7cs00169j

Plasmon-enhanced fluorescence spectroscopy

2017· review· en· W2681263597 sur OpenAlexaff
Jian‐Feng Li, Chaoyu Li, Ricardo F. Aroca

Notice bibliographique

RevueChemical Society Reviews · 2017
Typereview
Langueen
DomaineMaterials Science
ThématiqueGold and Silver Nanoparticles Synthesis and Applications
Établissements canadiensUniversity of Windsor
Organismes subventionnairesNational Natural Science Foundation of China
Mots-clésSpectroscopyFluorescenceFluorescence spectroscopyPlasmonChemistryMoleculeSensitivity (control systems)Materials scienceAnalytical Chemistry (journal)OptoelectronicsOpticsPhysicsEnvironmental chemistry

Résumé

récupéré en direct d'OpenAlex

Fluorescence spectroscopy with strong emitters is a remarkable tool with ultra-high sensitivity for detection and imaging down to the single-molecule level. Plasmon-enhanced fluorescence (PEF) not only offers enhanced emissions and decreased lifetimes, but also allows an expansion of the field of fluorescence by incorporating weak quantum emitters, avoiding photobleaching and providing the opportunity of imaging with resolutions significantly better than the diffraction limit. It also opens the window to a new class of photostable probes by combining metal nanostructures and quantum emitters. In particular, the shell-isolated nanostructure-enhanced fluorescence, an innovative new mode for plasmon-enhanced surface analysis, is included. These new developments are based on the coupling of the fluorophores in their excited states with localized surface plasmons in nanoparticles, where local field enhancement leads to improved brightness of molecular emission and higher detection sensitivity. Here, we review the recent progress in PEF with an emphasis on the mechanism of plasmon enhancement, substrate preparation, and some advanced applications, including an outlook on PEF with high time- and spatially resolved properties.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Synthèse · Signal consensuel: Synthèse
Score de désaccord entre enseignants0,004
Score d'incertitude au seuil0,012

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0020,001
Études des sciences et des technologies0,0000,000
Communication savante0,0010,001
Science ouverte0,0010,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0040,004

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.

Tête enseignante Opus0,114
Tête enseignante GPT0,372
Écart entre enseignants0,258 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSans objet
Domainenon disponible
GenreSynthèse

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations595
Publié2017
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueChemical Society ReviewsMême sujetGold and Silver Nanoparticles Synthesis and ApplicationsTravaux en français237 207