Surface nanostructuring for high-resolution surface plasmon resonance imaging
Bibliographic record
Abstract
En recherche pharmacologique, les cellules vivantes sont largement utilisées comme milieu d’analyse pour l’étude de phénomènes biologiques, par exemple l’apoptose et la réorganisation cellulaire. Différents outils de caractérisation sont développés pour analyser et traduire l’information biologique en information quantifiable. L’imagerie à résonance de plasmons de surface (SPR) est sensible aux variations d’indice de réfraction d’un milieu à l’interface d’une couche métallique. Elle trouve beaucoup d’applications en recherche pharmacologique, car elle permet l’acquisition d’images en temps réel et ne nécessite pas de marquage biologique comme en fluorescence. Cependant, la nature propagative des plasmons de surface (PSP) limite la résolution spatiale en entraînant un étalement de l’information dans la direction de propagation des PSP. Cela signifie qu’il est difficile de résoudre spatialement des détails inférieurs à la distance de propagation des PSP, généralement de l’ordre des dizaines de micromètres. Plusieurs groupes de recherche travaillent à améliorer la résolution spatiale en imagerie SPR. Toutefois, bien que des résolutions spatiales inférieures à celle de la propagation ont été obtenues, certains compromis ont été effectués, par exemple la diminution de la résolution temporelle ou d’indice de réfraction.Ce projet de thèse s’insère dans cette problématique en concevant et réalisant des dispositifs plasmoniques permettant d’améliorer la résolution spatiale en imagerie SPR, tout en minimisant les compromis avec les autres paramètres d’imagerie. Ces puces SPR sont composées de surfaces métalliques nanostructurées dont le mode guidé combine les propriétés des plasmons propagatifs et des plasmons localisés. Un logiciel de modélisation numérique a permis de démontrer comment la géométrie des surfaces nanostructurées peut être optimisée de manière à réduire la longueur d’atténuation du mode plasmonique tout en conservant un fort contraste d’imagerie. Une géométrie optimale a été identifiée et des structures de l’ordre du micromètre ont été observées à l’aide des puces SPR nanostructurées optimisées. Les résultats expérimentaux ont montré une réduction de la propagation d’un facteur de 6.3 comparativement à des surfaces métalliques uniformes.Les performances en imagerie des puces SPR nanostructurées ont été validées au cours d’études de réponses cellulaires causées par stimulation à l’aide d’agents pharmacologiques. Les puces ont été employées dans l’étude de changements d’intégrité de couches confluentes de cellules suivant stimulation. La quantification de trous intercellulaires dans la couche a montré une augmentation significative du nombre de petits trous détectés (~ 1-2 µm2) lors de l’utilisation des puces SPR nanostructurées. Cette augmentation de la sensibilité à l’activité cellulaire est le résultat de l’amélioration de la résolution spatiale. Finalement, l’étude de la morphologie de cellules au cytosquelette fortement linéaire a permis d’observer des structures subcellulaires et de suivre la réorganisation du cytosquelette de cellules individuelles. Les puces SPR nanostructurées conçues et réalisées au cours de cette thèse montrent un fort potentiel d’applications en imagerie sans marquage de cellules vivantes.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.001 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.000 | 0.000 |
| Scholarly communication | 0.001 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.003 | 0.001 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".