From single cells to complex tissues in applications of surface-enhanced Raman scattering
Notice bibliographique
Résumé
As surface-enhanced Raman scattering (SERS) continues to grow in popularity, more work needs to be done to evaluate its compatibility with a wider scope of applications. With such a strong emphasis on SERS being used for biosensing, it is important to examine how SERS is used in bioanalytical nanoscience, and more importantly, look towards where SERS is heading. For many, the initial steps involve demonstrating in vivo sensing by SERS using cultures of live cells. To further and better demonstrate the capabilities of SERS as a technique in bioanalytical nanoscience, it is necessary to transition away from studies involving single cells or small quantities of cells. This means working with tissue, typically as an ex vivo slice or a spheroid, before moving onto in vivo animal models. Although working with tissue as opposed to single cells introduces new challenges, the types of approaches developed for single cell studies serve as the foundation for the more complex biomaterials. The aim of this tutorial review is to better facilitate the transition from single cells to complex tissues by demonstrating the similarities in the methodologies that have been used and how to overcome some of the challenges of working with tissue. Specifically, we explore how three of the most common methods of working with nanoparticles and cells have been adapted and incorporated for experiments involving different types of tissues. Overall, this review highlights a variety of methods that can be readily implemented for those wishing to perform SERS measurements with or in complex tissues.
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) | 0,001 | 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 | 0,001 | 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 ».