Hyperspectral super-resolution imaging with far-red emitting fluorophores using a thin-film tunable filter
Notice bibliographique
Résumé
New innovations in single-molecule localization microscopy (SMLM) have revolutionized optical imaging, enabling the characterization of biological structures and interactions with unprecedented detail and resolution. However, multi-colour or hyperspectral SMLM can be particularly challenging due to non-linear image registration issues, which affect image quality and data interpretation. Many of these arise as a consequence of differences in illumination optics (beam profile, power density, polarization, point spread function) for the different light sources. This is particularly acute in evanescent-wave based approaches (TIRF) where beam shape, decay depth, and power density are important. A potential useful approach would be to use a single excitation wavelength to perform hyperspectral localization imaging.. We report herein on the use of a variable angle tunable thin-film filter to spectrally isolate far-red emitting fluorophores. This solution was integrated into a commercial microscope platform using an open-source hardware design, enabling the rapid acquisition of SMLM images with ~ 15-20 nm spectral resolution.. By characterizing intensity distributions, average intensities, and localization frequency through a range of spectral windows, we identified an optimal fluorophore pair for two-colour SMLM. Fluorophore crosstalk between the different spectral windows was assessed by examining the effect of varying the photon output thresholds on the localization frequency and fraction of data recovered. The utility of this approach was demonstrated by hyper-spectral super-resolution imaging of the interaction between the mitochondrial protein, TOM20 and the peroxisomal protein, PMP70.
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) | 0,001 | 0,001 |
| 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 | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 ».