(Invited) Manipulating Light Emission from Rare Earth Doped Nanoparticles for Applications in Theranostics
Notice bibliographique
Résumé
Luminescent nanomaterials that can be excited, as well as emit, in the near-infrared (NIR) have been investigated for use in a plethora of applications including nanomedicine, nanoelectronics, biosensing, bioimaging, photovoltaics, photocatalysis, etc. The use of NIR light for excitation mitigates some of the drawbacks associated with high-energy (UV or blue) excitation, for example, little to no background autofluorescence from the specimen under investigation as well as no incurred photodamage. Moreover, one of the biggest limitations is of course, that of penetration. As such, NIR light can penetrate tissues much better than high-energy light especially when these wavelengths lie within the three biological windows (BW-I: 700-950, BW-II: 1000-1350, BW-III: 1550-1870 nm) where tissues are optically transparent. At the forefront of NIR excited nanomaterials are rare earth doped nanoparticles, which due to their 4 f electronic energy states can undergo conventional (Stokes) luminescence and emit in the three NIR biological windows. However, unlike other classes of nanoparticles, they can also undergo a multiphoton process (known as upconversion) where the NIR excitation light is converted to higher energies resulting in anti-Stokes luminescence spanning the UV-visible-NIR regions. Perhaps the biggest impact of such materials would be in the field of disease diagnostics and therapeutics, now commonly referred to as theranostics. Due to the versatility of their optical properties, it now becomes possible to generate high-energy light (UV or blue) in situ to trigger other light activated therapeutic modalities ( i.e. drug release) while using the NIR emission for diagnostics ( i.e. bioimaging, nanothermometry). Here, we present the synthesis of various NIR excited (and emitting) rare earth doped core/shell (and multishell) nanoparticles and demonstrate how their luminescence properties can be exploited for potential use in diverse biomedical 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 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 | 0,001 |
| 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 ».