Fully Self-Assembled Silica Nanoparticle–Semiconductor Quantum Dot Supra-Nanoparticles and Immunoconjugates for Enhanced Cellular Imaging by Microscopy and Smartphone Camera
Notice bibliographique
Résumé
There is a growing need for brighter luminescent materials to improve the detection and imaging of biomarkers. Relevant contexts include low-abundance biomarkers and technology-limited applications, where an example of the latter is the emerging use of smartphones and other nonoptimal but low-cost and portable devices for point-of-care diagnostics. One approach to achieving brighter luminescent materials is incorporating multiple copies of a luminescent material into a larger supra-nanoparticle (supra-NP) assembly. Here, we present a facile method for the preparation and immunoconjugation of supra-NP assemblies (SiO2@QDs) that comprised many quantum dots (QDs) around a central silica nanoparticle (SiO2 NP). The assembly was entirely driven by spontaneous affinity interactions between the constituent materials, which included imidazoline-functionalized silica nanoparticles, ligand-coated QDs, imidazole-functionalized dextran, and tetrameric antibody complexes (TACs). The physical and optical properties of the SiO2@QDs were characterized at both the ensemble and single-particle levels. Notably, the optical properties of the QDs were preserved upon assembly into supra-NPs, and single SiO2@QDs were approximately an order of magnitude brighter than single QDs and nonblinking. In proof-of-concept applications, including selective immunolabeling of breast cancer cells, the SiO2@QDs provided higher sensitivity and superior signal-to-background ratios whether using research-grade fluorescence microscopy or smartphone-based imaging. Overall, the SiO2@QDs are promising materials for enhanced bioanalysis and imaging.
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 ».