Kinetic Profiling of Oxidoreductase-Mimicking Nanozymes: Impact of Multiple Activities, Chemical Transformations, and Colloidal Stability
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
In contrast to homogeneous enzyme catalysis, nanozymes are nanosized heterogeneous catalysts that perform reactions on a rigid surface. This fundamental difference between enzymes and nanozymes is often overlooked in kinetic studies and practical applications. In this article, using 14 nanozymes of various compositions (core@shell, metal–organic frameworks, metal, and metal oxide nanoparticles), we systematically demonstrate that nontypical features of nanozymes, such as multiple catalytic activities, chemical transformations, and aggregation, need to be considered in nanozyme catalysis. Ignoring these features results in the inaccurate quantification of catalytic activity. Neglecting the multiple activities led to a six-time underestimation of Mn 2 O 3 oxidation activity and mischaracterization of this material as a low-active peroxidase-mimicking nanozyme. Additionally, overlooking chemical stability during catalytic reactions led to the reporting of high peroxidase-mimicking activity for Au@Ag nanoparticles, which, in reality, exhibited no intrinsic activity and oxidized the substrate through the leakage of Ag + ions. Ignoring the chemical stability of Au@Prussian Blue nanoparticles may lead to more than four times overestimation of peroxidase-mimicking activity after just 24 h of storage. Finally, disregarding the colloidal stability of nanozymes led to a five-time inaccuracy in catalytic activity. These findings underscore the necessity of optimizing procedures to account for these factors in nanozyme kinetic measurements, which will in turn ensure more reliable biosensors and the success of other practical 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.
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 | 0,001 |
| 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 découle