MétaCan
Menu
Retour à la cohorte
Enregistrement W2971333714

Unified Etching and Protection of Faceted Silver Nanostructures by DNA Oligonucleotides

2019· article· en· W2971333714 sur OpenAlexaff
Shengqiang Hu, Jianxiu Wang, Juewen Liu

Notice bibliographique

RevueThe Journal of Physical Chemistry · 2019
Typearticle
Langueen
DomaineBiochemistry, Genetics and Molecular Biology
ThématiqueAdvanced biosensing and bioanalysis techniques
Établissements canadiensUniversity of Waterloo
Organismes subventionnairesnon disponible
Mots-clésChemistryNanomaterialsOligonucleotideEtching (microfabrication)DNANanotechnologyDissolutionPolymerAdsorptionSilver nanoparticleNanoparticleChemical engineeringCombinatorial chemistryMaterials scienceOrganic chemistryLayer (electronics)Biochemistry
DOInon disponible

Résumé

récupéré en direct d'OpenAlex

Single-stranded DNA oligonucleotides have been widely used to functionalize metal nanoparticles, and the nanoparticles are often assumed to be stable. We herein communicate that DNA can both protect and etch silver nanomaterials, such as triangular plates (AgTPs). For DNA moieties with a high affinity to Ag such as polycytosine (poly-C) and polyguanine (poly-G), they display concentration-dependent etching, and the DNA length was vital. Etching was less effective when DNA is folded into more compact structures. Polythymine (poly-T) DNA is adsorbed very weakly on silver and it cannot etch the AgTPs. Instead, poly-T DNA effectively protects AgTPs from oxidation or dissolution against various etching conditions including Br–, Hg²⁺, H₂O₂, and heat. Compared to other types of synthetic polymers, poly-T DNA shows a much stronger protection effect. The change from protection to etching can be rationalized based on the interaction strength with silver. Adsorbed DNA can protect the AgTPs, while a high concentration of strongly binding DNA can increase its solubility and appear to give an etching effect. This understanding is critical for rational design of biosensors and controlled growth of nanomaterials.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut 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 enseignants0,001
Score d'incertitude au seuil0,241

Scores Codex et Gemma par catégorie

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 Opus0,004
Tête enseignante GPT0,228
Écart entre enseignants0,223 · 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 tête enseignante, 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

Citations0
Publié2019
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueThe Journal of Physical ChemistryMême sujetAdvanced biosensing and bioanalysis techniquesTravaux en français237 207