Using intracellular plasmonics to characterize nanomorphology in human cells
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Determining the characteristics and localization of nanoparticles inside cells is crucial for nanomedicine design for cancer therapy. Hyperspectral imaging is a fast, straightforward, reliable, and accurate method to study the interactions of nanoparticles and intracellular components. With a hyperspectral image, we could collect spectral information consisting of thousands of pixels in a short time. Using hyperspectral images, in this work, we developed a label-free technique to detect nanoparticles in different regions of the cell. This technique is based on plasmonic shifts taking place during the interaction of nanoparticles with the surrounding medium. The unique optical properties of gold nanoparticles, localized surface plasmon resonance bands, are influenced by their microenvironment. The LSPR properties of nanoparticles, hence, could provide information on regions in which nanoparticles are distributed. To examine the potential of this technique for intracellular detection, we used three different types of gold nanoparticles: nanospheres, nanostars and Swarna Bhasma (SB), an Indian Ayurvedic/Sidha medicine, in A549 (human non-small cell lung cancer) and HepG2 (human hepatocellular carcinoma) cells. All three types of particles exhibited broader and longer bands once they were inside cells; however, their plasmonic shifts could change depending on the size and morphology of particles. This technique, along with dark-field images, revealed the uniform distribution of nanospheres in cells and could provide more accurate information on their intracellular microenvironment compared to the other particles. The region-dependent optical responses of nanoparticles in cells highlight the potential application of this technique for subcellular diagnosis when particles with proper size and morphology are chosen to reflect the microenvironment effects properly.
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.
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 découle