Machine-Learning-Driven Surface-Enhanced Raman Scattering Optophysiology Reveals Multiplexed Metabolite Gradients Near Cells
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
The extracellular environment is a complex medium in which cells secrete and consume metabolites. Molecular gradients are thereby created near cells, triggering various biological and physiological responses. However, investigating these molecular gradients remains challenging because the current tools are ill-suited and provide poor temporal and special resolution while also being destructive. Herein, we report the development and application of a machine learning approach in combination with a surface-enhanced Raman spectroscopy (SERS) nanoprobe to measure simultaneously the gradients of at least eight metabolites in vitro near different cell lines. We found significant increase in the secretion or consumption of lactate, glucose, ATP, glutamine, and urea within 20 μm from the cells surface compared to the bulk. We also observed that cancerous cells (HeLa) compared to fibroblasts (REF52) have a greater glycolytic rate, as is expected for this phenotype. Endothelial (HUVEC) and HeLa cells exhibited significant increase in extracellular ATP compared to the control, shining light on the implication of extracellular ATP within the cancer local environment. Machine-learning-driven SERS optophysiology is generally applicable to metabolites involved in cellular processes, providing a general platform on which to study cell biology.
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 | 0,000 | 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 | 0,001 | 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