Surface-Enhanced Raman Scattering Nanoendoscope for Quantification of a Protein Released under Physiological Stimulation in Brain Tissue
Notice bibliographique
Résumé
A surface-enhanced Raman scattering (SERS) biosensor with minimal invasiveness and high spatial resolution has been developed as a nanoendoscope to detect changes in protein concentrations at specific sites in biological tissues. While generally applicable to various tissues or proteins, the SERS nanoendoscope is demonstrated for the quantitative detection of S100β, an astrocytic protein whose plasmatic levels are known to vary in several neuropathologies such as Alzheimer’s disease, schizophrenia, Down syndrome, Parkinson’s disease and epilepsy, but for which intratissular levels have not been locally monitored, demonstrating key attributes of the SERS nanoendoscope. The SERS nanoendoscope is fabricated with densely and well-dispersed deposited gold nanoparticles modified with anti-S100β primary antibody on pulled optical fibers with a tip diameter of 700 nm, conducive to noninvasive and regiospecific detection of the S100β protein in different regions of mouse brain slices under different physiological stimuli with micrometer resolution. Quantification was performed ex vivo using SERS-active nanotags with secondary antibodies with detection limits of 5 and 7 nM in phosphate-buffered saline solution and mouse brain slice, respectively. Various physiological stimuli were then applied ex vivo to wild-type and S100β-knockout mouse brain slices to demonstrate the SERS nanoendoscope under physiological conditions. The average concentration of S100β was increased to 27, 45, and 48 nM upon N -methyl- d -aspartate, electrical, and optogenetic stimulation, respectively, statistically higher than all controls, demonstrating the ability of the SERS nanoendoscope to quantify protein release in biological tissues.
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 | 0,001 |
| 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 ».