Quantitative Detection of Biological Nanoparticles Using Twilight Off-Axis Holographic Microscopy: Insights on Complex Formation between PEGylated Gold Nanoparticles and Lipid Vesicles
Notice bibliographique
Résumé
The detection of biological nanoparticles (NPs), such as viruses and extracellular vesicles (EVs), plays a critical role in medical diagnostics. However, these particles are optically faint, making microscopic detection in complex solutions challenging. Recent advancements have demonstrated that distinguishing between metallic and dielectric signals with twilight off-axis holographic microscopy makes it possible to differentiate between metal and biological NPs and to quantify complexes formed from metal and biological NPs binding together. Here, this method is employed to investigate complex formation through specific interactions between streptavidin (StrAv)-modified gold NPs (StrAv-AuNPs) and large biotin-containing unilamellar lipid vesicles (biotin-LUVs), serving as virus and EV mimics. To minimize AuNP self-aggregation during functionalization of PEGylated 25 nm radius AuNPs with tetrameric StrAv, 0.06% biotin-PEG (∼5 biotin per AuNP) was used, which also serves to ensure that aggregation involving multiple LUVs is effectively prevented. While the StrAv-biotin ratio did not significantly affect AuNP self-aggregation upon fabrication of StrAv-AuNPs, a 1000-fold StrAv excess with respect to biotin-PEG on the AuNPs was required to fabricate StrAv-AuNPs with the anticipated reactivity with biotin-LUVs. Through a combination of waveguide scattering microscopy, surface plasmon resonance, and twilight off-axis holographic microscopy, we demonstrate that this likely stems from a dramatic reduction in the association rate constant between StrAv and biotin within the PEG layer. Furthermore, by using a mixture of 3 kDa nonbiotinylated PEG and 5 kDa biotin-PEG, functional StrAv-AuNPs were successfully fabricated at an orders of magnitude lower StrAv-to-biotin ratio, enabling a sub-pM limit of detection of biotin-LUVs using off-axis holography.
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 | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 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 ».