Detection of gold cysteine thiolate complexes on gold nanoparticles with time-of-flight secondary ion mass spectrometry
Notice bibliographique
Résumé
Gold (Au) nanoparticles (NPs) are widely used in nanomedical applications as a carrier for molecules designed for different functionalities. Previous findings suggested that biological molecules, including amino acids, could contribute to the dissolution of Au NPs in physiological environments and that this phenomenon was size-dependent. We, therefore, investigated the interactions of L-cysteine with 5-nm Au NPs by means of time-of-flight secondary ion mass spectrometry (ToF-SIMS). This was achieved by loading Au NPs on a clean aluminum (Al) foil and immersing it in an aqueous solution containing L-cysteine. Upon rinsing off the excessive cysteine molecules, ToF-SIMS confirmed the formation of gold cysteine thiolate via the detection of not only the Au-S bond but also the hydrogenated gold cysteine thiolate molecular ion. The presence of NaCl or a 2-(N-morpholino)ethanesulfonic acid buffer disabled the detection of Au NPs on the Al foil. The detection of larger (50-nm) Au NPs was possible but resulted in weaker cysteine and gold signals, and no detected gold cysteine thiolate signals. Nano-gold specific adsorption of L-cysteine was also demonstrated by cyclic voltammetry using paraffine-impregnated graphite electrodes with deposited Au NPs. We demonstrate that the superior chemical selectivity and surface sensitivity of ToF-SIMS, via detection of elemental and molecular species, provide a unique ability to identify the adsorption of cysteine and formation of gold-cysteine bonds on Au NPs.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».