Rapid and label-free exosome analysis by surface-enhanced Raman spectroscopy using silver nanoparticle substrate based on selective laser ablation and melting of silver nanowire
Notice bibliographique
Résumé
Abstract Early diagnostics of breast cancer is crucial to reduce the risk of cancer metastasis and late relapse. Exosome, which contains distinct information of its origin, can be the target object as a liquid biopsy. However, its low sensitivity and inadequate diagnostic tools interfere with the point-of-care testing (POCT) of the exosome. Recently, Surface-enhanced Raman spectroscopy (SERS), which enables the detection of Raman scattering, has been proved as a promising tool for exosome detection but the fabrication process of SERS probe or substrate is still inefficient and far from large-scale production. This study proposes rapid and label-free detection of breast cancer-derived exosomes by statistical analysis of Raman spectra using silver nanoparticle SERS substrate fabricated by selective laser ablation and melting. Employing silver nanowire and optimizing pulse repetition rate power enable rapid and energy-efficient fabrication of SERS substrate. The functionality including sensitivity, reproducibility, stability, and renewability was evaluated using rhodamine 6G as a probe molecule. Then, the feasibility of POCT was examined by the statistical analysis of Raman spectra of exosomes from malignant breast cancer cells and non-tumorigenic breast epithelial cells. The presented framework is anticipated to be utilized in other biomedical applications, facilitating cost-effective and large-scale production performance.
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 | 0,000 | 0,000 |
| 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 ».