MétaCan
Menu
Retour à la cohorte
Enregistrement W3087798740 · doi:10.1109/jsen.2020.3026159

Aptamer-Modified Ultrastable Gold Nanoparticles for Dopamine Detection

2020· article· en· W3087798740 sur OpenAlexafffund
Shimwe Dominique Niyonambaza, Anna Koudrina, Maria C. DeRosa, Mounir Boukadoum, Amine Miled, Élodie Boisselier

Notice bibliographique

RevueIEEE Sensors Journal · 2020
Typearticle
Langueen
DomaineMaterials Science
ThématiqueGold and Silver Nanoparticles Synthesis and Applications
Établissements canadiensUniversité du Québec à MontréalCarleton UniversityUniversité LavalCentre hospitalier universitaire de Québec
Organismes subventionnairesFonds de recherche du Québec – Nature et technologiesFonds de Recherche du Québec - SantéNatural Sciences and Engineering Research Council of Canada
Mots-clésColloidal goldAptamerSurface plasmon resonanceNanoparticleNanotechnologyPlasmonDopamineMaterials scienceAscorbic acidChemistryOptoelectronicsBiology

Résumé

récupéré en direct d'OpenAlex

Metallic nanoparticles, in particular silver and gold nanoparticles, have been used in various fields for centuries. In the last few decades, their plasmon resonance has made them particularly attractive to biochemists because of their unparalleled optical properties, making them ideal probes for molecular detection. In this article, a new approach to dopamine detection based on ultrastable gold nanoparticles is presented. A dopamine-binding aptamer was used to modify ultrastable gold nanoparticles for the sensitive and selective detection of different concentrations of dopamine without inducing gold nanoparticles aggregation. Indeed, when dopamine binds to the aptamer present at the surface of the gold nanoparticle, the latter exhibits a plasmon shift relative to the dopamine concentration, allowing measurement of its dosage. Besides that, the target molecules can be filtered out to permit nanoparticles reuse. The detection assay showed good linearity between the dopamine concentration and gold nanoparticles' plasmon shift while common interfering molecules, such as ascorbic acid and tyramine, induced no or little plasmon shift.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,006
Score d'incertitude au seuil0,419

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,037
Tête enseignante GPT0,250
Écart entre enseignants0,214 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeExpérimental (laboratoire)
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations8
Publié2020
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueIEEE Sensors JournalMême sujetGold and Silver Nanoparticles Synthesis and ApplicationsTravaux en français237 207