Surface-assisted assembly of a histidine-rich lipidated peptide for simultaneous exfoliation of graphite and functionalization of graphene nanosheets
Notice bibliographique
Résumé
Biological molecules have promising potential to exfoliate graphite and produce biocompatible graphene nano-materials for biomedical applications. Here, a systematic design of a histidine-rich lipidated peptide sequence is presented that simultaneously exfoliates graphite flakes and functionalizes the resulting graphene nanosheets (∼150 nm lateral size) with long-term dispersion stability in aqueous solution (>8 months). The details of peptide/peptide and peptide/graphite interactions are probed using various microscopy, spectroscopy and molecular dynamics simulation methods. The results show that histidine and stearic acid interact with the graphite surface through π-π stacking and hydrophobic forces, respectively. Surface-assisted assembly of peptide molecules is then initiated via hydrogen bonds between deprotonated histidine segments, and a textured peptide nano-structure is formed. The work of adhesion between the peptide and graphite is found to be high enough to promote exfoliation of graphite flakes through layer-by-layer peeling of graphene nanosheets. The positively charged arginine in the peptide is exposed outward, and is responsible for the stable dispersion. The peptide molecules are sufficiently small, presenting the possibility to insert into and increase the spacing between the graphitic layers for enhanced exfoliation. The peptide-functionalized graphene nanosheets not only show great biocompatibility with cells in vitro, but also enhance cancer drug uptake by the cells.
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 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 | 0,000 | 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 | 0,000 |
| Communication savante | 0,000 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».