Affinity Immobilization of Semiconductor Quantum Dots and Metal Nanoparticles on Cellulose Paper Substrates
Notice bibliographique
Résumé
Colloidal semiconductor quantum dots (QDs), metal nanoparticles, and cellulose paper are materials with numerous applications in bioanalysis and beyond. The functional properties of QDs and metal NPs are substantially different than those of cellulose, such that their integration with cellulose paper is potentially enabling for many applications. Here, we characterize and evaluate multiple chemistries that modify cellulose paper substrates for the affinity-based immobilization of QDs, gold nanoparticles (Au NPs), and platinum nanoparticles (Pt NPs). These chemistries include grafting of cellulose fibers with imidazole and dithiol groups, as well as the aminosilanization of cellulose fibers (both with and without subsequent grafting with dithiol groups). Cellulose modifications and nanoparticle immobilization are characterized by multiple techniques, including, but not limited to, X-ray photoelectron spectroscopy, scanning electron microscopy, and optical imaging, extinction, and fluorescence measurements. We demonstrate the on-paper immobilization of color-tuned mixtures of QDs, on-paper patterning of QDs by microcontact printing, and post-immobilization enhancement of energy transfer and model assays of protease activity. The robustness of QD photoluminescence is also evaluated between immobilization chemistries. Paper-immobilized Au NPs and Pt NPs are evaluated as potential substrates for SERS and as supported catalysts for a model decolorization reaction. Our cumulative results indicate that there may not be a one-size-fits-all immobilization chemistry. Instead, the immobilization chemistry should be tailored and optimized for the downstream application.
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 ».