Inter‐Nanoparticle FRET for Biosensing: Photophysics Versus Size
Notice bibliographique
Résumé
Förster resonance energy transfer (FRET) enables the quantification of nanoscale distances and biomolecular interactions. Luminescent nanoparticles (NPs) are frequently combined with fluorescent dyes or proteins in FRET. However, their use in inter-NP FRET with luminescent NPs as both donor and acceptor remains less common due to the inherent size constraints that can limit FRET efficiencies. This review critically examines the early advances and current state-of-the-art of inter-NP FRET with a focus on the most commonly used NPs, namely quantum dots (QDs), upconversion nanoparticles (UCNPs), and fluorescent organic nanoparticles (FONs). We show how NP sizes, surface shells, and coatings increase FRET-distances; propose how these drawbacks can be overcome or outcompeted by the unique photophysical properties of the NPs; and discuss representative examples of inter-NP FRET for biosensing. High luminescence brightness, outstanding photostability, near-infrared excitation and emission, spectral and temporal multiplexing, and large surfaces for multifunctional bioconjugation are only some of the features that make luminescent NPs very attractive for biosensing, and FRET efficiencies up to 90% have demonstrated their potential for successful translation into bioanalytical 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 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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,003 |
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 ».