Encapsulation of 3D plasmonic nanostructures with ultrathin hydrogel skin for rapid and direct detection of toxic small molecules in complex fluids
Notice bibliographique
Résumé
Nanogap-rich 3D plasmonic nanostructures provide enhanced molecular Raman fingerprints in a nondestructive and label-free manner. However, the molecular detection of small target molecules in complex fluids is challenging due to nonspecific protein adsorption, which prevents access of the target molecules. Therefore, the molecular detection for complex mixtures usually requires a tedious and time-consuming pretreatment of samples. Herein, we report the encapsulation of 3D plasmonic nanostructures with an ultrathin hydrogel skin for the rapid and direct detection of small molecules in complex mixtures. To demonstrate the proof of concept, we directly detect pesticide dissolved in milk without pretreatment. This detection is enabled by the selective permeation of target molecules into the 3D mesh of the hydrogel skin and the adsorption onto plasmonic hotspots, accompanied by the rejection of large adhesive proteins and colloids. The high sensitivity of nanogap-rich plasmonic nanostructures in a conjunction with the molecular selection of the hydrogel skin enables the fast and reliable detection of tricyclazole in whole milk with a limit of detection as low as 10 ppb within 1 h. We believe that this plasmonic platform is highly adaptable for in situ and on-site detection of small molecules in various complex mixtures including foods, biological fluids, and environmental fluids.
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 ».