MétaCan
Menu
Retour à la cohorte
Enregistrement W2792981604 · doi:10.3390/separations5010013

Titania and Zinc Oxide Nanoparticles: Coating with Polydopamine and Encapsulation within Lecithin Liposomes—Water Treatment Analysis by Gel Filtration Chromatography with Fluorescence Detection

2018· article· en· W2792981604 sur OpenAlexafffund
Xuhao Zhao, Edward P. C. Lai

Notice bibliographique

RevueSeparations · 2018
Typearticle
Langueen
DomaineMaterials Science
ThématiqueNanoparticle-Based Drug Delivery
Établissements canadiensCarleton University
Organismes subventionnairesNatural Sciences and Engineering Research Council of Canada
Mots-clésLiposomeLecithinNanoparticleSize-exclusion chromatographyChromatographyMembraneUltrafiltration (renal)ChemistryOxideCoatingChemical engineeringMaterials scienceNanotechnologyOrganic chemistry

Résumé

récupéré en direct d'OpenAlex

The interplay of metal oxide nanoparticles, environmental pollution, and health risks is key to all industrial and drinking water treatment processes. In this work we present a study using gel filtration chromatography for the analytical investigation of metal oxide nanoparticles in water, their coating with polydopamine, and their encapsulation within lecithin liposomes. Polydopamine prevents TiO2 and ZnO nanoparticles from aggregation during chromatographic separation. Lecithin forms liposomes that encapsulate the nanoparticles and carry them through the gel filtration column, producing an increase of peak area for quantitative analysis without any change in retention time to affect qualitative identification. To the best of our knowledge, this is the first report that demonstrates the potential application of lecithin liposomes for cleaning up metal oxide nanoparticles in water treatment. Encapsulation of graphene quantum dots by liposomes would allow for monitoring of nanoparticle-loaded liposomes to ensure their complete removal by membrane ultrafiltration from treated water.

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)0,000
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: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,002
Score d'incertitude au seuil0,004

Scores du classifieur distillé par catégorie (deux têtes)

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

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.

Tête enseignante Opus0,008
Tête enseignante GPT0,223
Écart entre enseignants0,215 · 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'étudeExpérimental (laboratoire)
Domainenon disponible
GenreEmpirique

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

En bref

Citations13
Publié2018
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueSeparationsMême sujetNanoparticle-Based Drug DeliveryTravaux en français237 207