Lipid Droplet-Specific Fluorescent Probe for <i>In Vivo</i> Visualization of Polarity in Fatty Liver, Inflammation, and Cancer Models
Notice bibliographique
Résumé
Elucidating the intrinsic relationship between diseases and lipid droplet (LD) polarity remains a great challenge owing to the lack of the research on multiple disease models. Until now, the visualization of abnormal LD polarity in models of inflammation and clinical cancer patient samples has not been achieved. To meet the urgent challenge, we facilely synthesized a robust LD-specific and polarity-sensitive fluorescent probe ( LD - TTP ), which consists of a triphenylamine segment as an electron-donor group (D) and a pyridinium as an electron-acceptor moiety (A), forming a typical D−π–A molecular configuration. Owing to the unique intramolecular charge transfer effect, LD-TTP exhibits high sensitivity to polarity change in the linear range from Δ f = 0.258 to 0.312, with over 278-fold fluorescence enhancement. Moreover, we revealed that LD-TTP possessed satisfactory ability for sensitively monitoring LD-polarity changes in living cells. Using LD-TTP, we first demonstrated the detection of LD-polarity changes in fatty liver tissues and inflammatory living mice via confocal laser scanning fluorescence imaging. Surprisingly, the visualization of LD polarity has been achieved not only at the cellular levels and living organs but also in surgical specimens from cancer patients, thus holding great potential in the clinical diagnosis of human cancer. All these features render LD-TTP an effective tool for medical diagnosis of LD polarity-related diseases.
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 | 0,000 | 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 | 0,001 | 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 ».