(Invited) Exploring in the Near Infrared: Multifunctional Nanoplatforms for Biomedical Applications
Notice bibliographique
Résumé
Near-infrared (NIR) absorbing and emitting nanomaterials attract significant attention in bioimaging, which shows great potential for disease detection due to its high sensitivity at the subcellular level and low cost of related imaging facilities. However, currently available optical probes are mainly based on visible-emitting materials. The tissue-induced optical extinction and autofluorescence in the visible range result in limited penetration depth and ambiguous photoluminescence signal, which restricts their in vivo use. To address this issue, photoluminescent probes, with both absorption and emission wavelengths operating in the biological windows in the NIR range, in which tissues are optically transparent, are highly desired. Their integration with superparamagnetic nanomaterials to make a multifunctional platform further opens a wide range of promising applications, including bimodal imaging (photoluminescence and magnetic resonance imaging), synergistic hyperthermia (magnetothermal and photothermal), magnetic confinement of trace amounts of biospecies for ultra high-sensitivity biodetection, etc. In this talk, I will present our most recent work on the synthesis of NIR-emitting water soluble, stable core/shell/shell quantum dots (QDs) and multifunctional (NIR photoluminescent and superparamagnetic) nanoparticles and their use in biomedicine. For instance, in one case, multifunctional particles contain single superparamagnetic nanoparticles as cores and NIR-luminescent nanomaterials as shells. In another case, the multifunctional nanoplatform is compose of multiple superparamagnetic nanoparticles and NIR quantum dots in single particles. These different types of multifunctional particles are designed for different biomedical applications. References: [1] ACS Nano 2019, 13, 408-420; [2] Adv. Funct. Mater. 2018, 1706235 (Inside Back Cover); [3] Chem. Mater. 2019, 31, 3201-3210.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,024 | 0,016 |
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 ».