Recent advances in optical label‐free characterization of extracellular vesicles
Notice bibliographique
Résumé
Abstract Extracellular vesicles (EVs) are complex biological nanoparticles endogenously secreted by all eukaryotic cells. EVs carry a specific molecular cargo of proteins, lipids, and nucleic acids derived from cells of origin and play a significant role in the physiology and pathology of cells, organs, and organisms. Upon release, they may be found in different body fluids that can be easily accessed via noninvasive methodologies. Due to the unique information encoded in their molecular cargo, they may reflect the state of the parent cell and therefore EVs are recognized as a rich source of biomarkers for early diagnostics involving liquid biopsy. However, body fluids contain a mixture of EVs released by different types of healthy and diseased cells, making the detection of the EVs of interest very challenging. Recent research efforts have been focused on the detection and characterization of diagnostically relevant subpopulations of EVs, with emphasis on label‐free methods that simplify sample preparation and are free of interfering signals. Therefore, in this paper, we review the recent progress of the label‐free optical methods employed for the detection, counting, and morphological and chemical characterization of EVs. We will first briefly discuss the biology and functions of EVs, and then introduce different optical label‐free techniques for rapid, precise, and nondestructive characterization of EVs such as nanoparticle tracking analysis, dynamic light scattering, atomic force microscopy, surface plasmon resonance spectroscopy, Raman spectroscopy, and SERS spectroscopy. In the end, we will discuss their applications in the detection of neurodegenerative diseases and cancer and provide an outlook on the future impact and challenges of these technologies to the field of liquid biopsy via EVs.
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 | 0,003 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,002 |
| 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 | 0,001 |
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 ».