SERS characterization of Rhodamine 6G dye molecule response using thin gold film covalently immobilized with gold nanourchins
Notice bibliographique
Résumé
We report on the measurement of the response of Rhodamine 6G (R6G) dye to enhanced local surface plasmon resonance (LSPR) using a plasmonic-active nanostructured thin gold film (PANTF) sensor. This sensor features an active area of approximately ≈ 2.5 × 1013 nm2 and is immobilized with gold nanourchins (GNU) on a thin gold film substrate (TGFS). The hexane-functionalized TGFS was immobilized with a 90 nm diameter GNU via the strong sulfhydryl group (SH) thiol bond and excited by a 637 nm Raman probe. To collect both Raman and SERS spectra, 10 μL of R6G was used at concentrations of 1 μM (6 × 1012 molecules) and 10 mM (600 × 1014 molecules), respectively. FT-NIR showed a higher reflectivity of PANTF than TGFS. SERS was performed three times at three different laser powers for TGFS and PANTF with R6G. Two PANTF substrates were prepared at different GNU incubation times of 10 and 60 min for the purpose of comparison. The code for processing the data was written in Python. The data was filtered using the filtfilt filter from scipy.signals, and baseline corrected using the Improved Asymmetric Least Squares (ISALS) function from the pybaselines.Whittaker library. The results were then normalized using the minmax_scale function from sklearn.preprocessing. Atomic force microscopy (AFM) was used to capture the topography of the substrates. Signals exhibited a stochastic fluctuation in intensity and shape. An average corresponding enhancement factor (EF) of 0.3 × 105 and 0.14 × 105 was determinedforPANTFincubated at 10 and 60 min, respectively.
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 | 0,001 |
| 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 | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 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 ».