Tuning the Gold Nanoparticle Colorimetric Assay by Nanoparticle Size, Concentration, and Size Combinations for Oligonucleotide Detection
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Gold nanoparticle (GNP)-based aggregation assay is simple, fast, and employs a colorimetric detection method. Although previous studies have reported using GNP-based colorimetric assay to detect biological and chemical targets, a mechanistic and quantitative understanding of the assay and effects of GNP parameters on the assay performance is lacking. In this work, we investigated this important aspect of the GNP aggregation assay including effects of GNP concentration and size on the assay performance to detect malarial DNA. Our findings lead us to propose three major competing factors that determine the final assay performance including the nanoparticle aggregation rate, plasmonic coupling strength, and background signal. First, increasing nanoparticle size reduces the Brownian motion and thus aggregation rate, but significantly increases plasmonic coupling strength. We found that larger GNP leads to stronger signal and improved limit of detection (LOD), suggesting a dominating effect of plasmonic coupling strength. Second, higher nanoparticle concentration increases the probability of nanoparticle interactions and thus aggregation rate, but also increases the background extinction signal. We observed that higher GNP concentration leads to stronger signal at high target concentrations due to higher aggregation rate. However, the fact the optimal LOD was found at intermediate GNP concentrations suggests a balance of two competing mechanisms between aggregation rate and signal/background ratio. In summary, our work provides new guidelines to design GNP aggregation-based POC devices to meet the signal and sensitivity needs for infectious disease diagnosis and other applications.
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.
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 | 0,002 |
| 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 | 0,002 | 0,000 |
| Communication savante | 0,001 | 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) | 0,000 | 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 découle