A Concave Nanogap for Ultrasensitive Aptamer-Based SERS Detection and <i>In Situ</i> Imaging of Heavy Metal Ions
Notice bibliographique
Résumé
High Resolution Image Download MS PowerPoint Slide Heavy metal pollution can lead to irreversible damage to human health. Surface-enhanced Raman scattering (SERS) platforms are versatile for toxicity monitoring and in situ imaging, but they are often limited by false positives. In this study, we proposed the use of concave-facet nanocubes (CF NCs) to create sufficiently large nanogaps, which can be used for the deposition of probes such as aptamers. Aptamers adopt an extended configuration within these nanogaps, effectively preventing compression-induced false signals. By utilizing the robust electromagnetic field present within the nanogaps, the developed SERS platform has demonstrated a broad detection range of 0.1 to 1000 nM for Hg 2+ and a limit of detection as low as 0.1 nM. This platform was further applied to the analysis of Pb 2+ and Cd 2+ . Furthermore, this system was applied to visualize the distribution of Hg 2+ ions in zebrafish larvae, providing detailed insights into Hg 2+ bioaccumulation. This work presents a universal strategy for concave-shaped nanoparticle-assisted SERS detection of analytes with weak or no Raman signatures, such as heavy metal ions, while reducing false-positive results in analysis. It also underscores the promising potential for targeted in situ imaging in biological samples, serving as a tool for investigating the mechanisms of toxicity in various substances.
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) | 0,000 | 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 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,000 |
| 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 ».