Photoluminescent Nanoparticles for Chemical and Biological Analysis and Imaging
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
Research related to the development and application of luminescent nanoparticles (LNPs) for chemical and biological analysis and imaging is flourishing. Novel materials and new applications continue to be reported after two decades of research. This review provides a comprehensive and heuristic overview of this field. It is targeted to both newcomers and experts who are interested in a critical assessment of LNP materials, their properties, strengths and weaknesses, and prospective applications. Numerous LNP materials are cataloged by fundamental descriptions of their chemical identities and physical morphology, quantitative photoluminescence (PL) properties, PL mechanisms, and surface chemistry. These materials include various semiconductor quantum dots, carbon nanotubes, graphene derivatives, carbon dots, nanodiamonds, luminescent metal nanoclusters, lanthanide-doped upconversion nanoparticles and downshifting nanoparticles, triplet–triplet annihilation nanoparticles, persistent-luminescence nanoparticles, conjugated polymer nanoparticles and semiconducting polymer dots, multi-nanoparticle assemblies, and doped and labeled nanoparticles, including but not limited to those based on polymers and silica. As an exercise in the critical assessment of LNP properties, these materials are ranked by several application-related functional criteria. Additional sections highlight recent examples of advances in chemical and biological analysis, point-of-care diagnostics, and cellular, tissue, and in vivo imaging and theranostics. These examples are drawn from the recent literature and organized by both LNP material and the particular properties that are leveraged to an advantage. Finally, a perspective on what comes next for the field is offered.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| 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