Spectral effects and enhancement quantification in healthy human saliva with surface‐enhanced Raman spectroscopy using silver nanopillar substrates
Notice bibliographique
Résumé
OBJECTIVES: Raman spectroscopy as a diagnostic tool for biofluid applications is limited by low inelastic scattering contributions compared to the fluorescence background from biomolecules. Surface-enhanced Raman spectroscopy (SERS) can increase Raman scattering signals, thereby offering the potential to reduce imaging times. We aimed to evaluate the enhancement related to the plasmonic effect and quantify the improvements in terms of spectral quality associated with SERS measurements in human saliva. METHODS: Dried human saliva was characterized using spontaneous Raman spectroscopy and SERS. A fabrication protocol was implemented leading to the production of silver (Ag) nanopillar substrates by glancing angle deposition. Two different imaging systems were used to interrogate saliva from 161 healthy donors: a custom single-point macroscopic system and a Raman micro-spectroscopy instrument. Quantitative metrics were established to compare spontaneous RS and SERS measurements: the Raman spectroscopy quality factor (QF), the photonic count rate (PR), the signal-to-background ratio (SBR). RESULTS: SERS measurements acquired with an excitation energy four times smaller than with spontaneous RS resulted in improved QF, PR values an order of magnitude larger and a SBR twice as large. The SERS enhancement reached 100×, depending on which Raman bands were considered. CONCLUSIONS: Single-point measurement of dried saliva with silver nanopillars substrates led to reproducible SERS measurements, paving the way to real-time tools of diagnosis in human biofluids.
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 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 | 0,001 | 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 | 0,000 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».