High-throughput, label-free detection of DNA origami in single-cell suspensions using origamiFISH-Flow
Notice bibliographique
Résumé
Abstract Structural DNA nanotechnology enables custom fabrication of nanoscale devices and promises diverse biological applications. However, the effects of design on DNA nanostructure (DN)-cell interactions in vitro and in vivo are not yet well-characterized. origamiFISH is a recently developed technique for imaging DNs in cells and tissues. Compared to the use of fluorescent tags, origamiFISH offers label-free and structure-agnostic detection of DNs with significantly improved sensitivity. Here, we extend the origamiFISH technique to quantifying DNs in single-cell suspensions, including nonadherent cells such as subsets of immune cells, via readout by flow cytometry. This method, referred to as origamiFISH-Flow, is high-throughput (e.g., 10,000 cells per second) and compatible with immunostaining for concurrent cell-type and -state characterization. We demonstrate that origamiFISH-Flow enhances signal-to-noise ratio by up to 20-fold compared to dye labeling approaches, leading to the capture of >25-fold more DN + cells at low, single-picomolar DN uptake concentrations. We additionally show the use of origamiFISH-Flow to profile cell-type and shape-specific DN uptake patterns across cell lines and splenocytes and quantify in vivo DN accumulation in lymphoid organs. Together, origamiFISH-Flow offers a new tool to interrogate DN interactions with cells and tissues, while providing insights for tailoring their designs in bio-applications.
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 | 0,001 | 0,001 |
| 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 ».