Upconverting Nanoparticle to Quantum Dot Förster Resonance Energy Transfer: Increasing the Efficiency through Donor Design
Notice bibliographique
Résumé
We propose two effective approaches to enhance the Förster resonance energy transfer (FRET) efficiency from near-infrared excited upconverting nanoparticles (UCNPs, namely, LiYF4:Yb3+,Tm3+) to CuInS2 quantum dots (QDs) upon engineering of the donor’s architecture. The study of the particles’ interaction highlighted a radiative nature of the energy transfer among the moieties under investigation when in solution. However, analyses performed on dry powders allowed observing clear evidence of a FRET mechanism. In particular, photoluminescence lifetime measurements showed that FRET efficiency could be effectively increased by both reducing the size of the UCNPs and directly controlling the distribution of the active ions throughout the donor’s volume, i.e., doping them only in the outer shell of a core/shell system. Both strategies resulted at least in a more than doubled FRET efficiency compared to larger core-only UCNPs. Obtained experimental values were compatible with those predicted from geometrical considerations on the active ions’ distribution over the UCNP volume. These results provide a concrete proof of the potential of a UCNP–QD FRET pair when the system is properly designed, hence setting a solid base for the development of robust and efficient all-inorganic probes for FRET-based assays.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
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 ».