Gold Nanoprisms: Synthetic Approaches for Mastering Plasmonic Properties and Implications for Biomedical Applications
Notice bibliographique
Résumé
In a comprehensive approach to the preparation of gold nanoprisms (AuNPRs), we first discuss three developed synthetic strategies to produce 2D planar-twinned morphologies with plasmonic control for practical applications. The developed synthetic procedures do not employ cytotoxic reagents, e.g., cetyltrimethylammonium bromide, and no shape purification is required. The primary synthesis of AuNPRs is based on iodide (or triiodide) redox mediation that enables shape selection with >99% yield. Another synthetic route involves low pH using citric acid, where 2D growth is achieved via redox equilibrium with an excess of the precursor. In a related approach, reduction with hydrogen peroxide in the presence of thiols and halides to slow the growth at the AuNPR surface enables the most efficient preparation of AuNPRs (<15 min). The main synthetic emphasis was placed on tuning of the localized surface plasmon resonance (LSPR) peaks of AuNPRs in a wide range from 540 to 1000+ nm. Having developed several synthetic procedures, we discuss important factors including crucial delays in reagent addition and the role of impurities, such as silver ions, that are disruptive for AuNPR formation even at submicromolar concentrations. On the basis of this knowledge and practical developments, general guidelines for the kinetic growth of AuNPRs are formulated to offer the synthetic protocols that are versatile and reproducible and can be readily scaled. Consequently, the developed synthetic approaches and a general understanding of the formation of AuNPRs with tunable LSPR will benefit a diverse range of researchers working with plasmonic metal nanoparticles, especially in the area of biomedical applications.
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 ».