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, the origamiFISH technique is extended to quantify DNs in single‐cell suspensions, including in 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 cell‐state characterization. It is shown that origamiFISH‐Flow provides 20‐fold higher signal‐to‐noise ratio for DN detection compared to dye labeling approaches, leading to the capture of >25‐fold more DN + cells under single‐picomolar DN uptake concentrations. Additionally, the use of origamiFISH‐Flow is validated to profile the uptake of various DN shapes across multiple cell lines and splenocytes, as well as to 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 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 | 0,000 | 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) | 0,000 | 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 ».