Graft-then-Shrink Polymer Coatings for Localized Surface Plasmon Resonance Active Interfaces
Notice bibliographique
Résumé
Increasing the polymer content on biosensors is important to improve sensor function by altering surface properties and increasing the number of capture sites for analytes. Grafting-to methods are often employed but may be limited by insufficient polymer immobilization. Herein, we have utilized Graft-then-Shrink (GtS) to simultaneously increase polymer content on grafting-to surfaces and produce low-cost, local surface plasmon resonance (LSPR) Au biosensors. The biosensors were incorporated within microwell plates, where the translocation of materials across biological barriers can be tracked by visible light absorbance shifts as a platform for biological barrier crossing molecules. Biosensors were constructed by coating a flat Au layer on stretched polystyrene (PS) with thiol-terminated polymers that, upon heating, produced LSPR active wrinkled Au layers with ∼78% greater polymer content and lower water contact angles (WCA; ∼15°) compared to Shrink-then-Graft (StG) controls (∼55°) for PEG 2 MA coatings. To demonstrate translocation detection, 48-well microplates were 3D printed for GtS biosensor incorporation in the presence of a phospholipid bilayer. Using visible light to track LSPR peak shifts, cell penetrating peptides (CPPs) were screened for bilayer translocation and rate kinetics. GtS offers a simple method to increase the polymer content within coatings and an LSPR fabrication platform to track biomolecule translocation.
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) | 0,001 | 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 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
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 ».