Inter‐Nanopartikel FRET für die Biosensorik: Photophysik versus Größe
Bibliographic record
Abstract
Kurzzusammenfassung Förster‐Resonanzenergietransfer (FRET) ermöglicht die Quantifizierung von nanoskaligen Abständen und biomolekularen Wechselwirkungen. Lumineszierende Nanopartikel (NP) werden bei FRET häufig mit Fluoreszenzfarbstoffen oder Proteinen kombiniert. Ihre Verwendung in inter‐NP FRET mit lumineszierenden NP als Donor und Akzeptor ist jedoch aufgrund der inhärenten Größenbeschränkungen, die die FRET‐Effizienz begrenzen können, weniger verbreitet. Dieser Aufsatz diskutiert die frühen Fortschritte und den aktuellen Stand von inter‐NP FRET, wobei der Schwerpunkt auf den am häufigsten verwendeten NP liegt, nämlich Quantenpunkten, Hochkonversionsnanopartikeln und fluoreszierenden organischen Nanopartikeln. Wir zeigen, wie die Größe der NP und ihrer Oberflächen die FRET‐Distanzen vergrößern, erörtern, wie diese Nachteile durch die einzigartigen photophysikalischen Eigenschaften der NP überwunden werden können und diskutieren repräsentative Beispiele von inter‐NP‐FRET für die Biosensorik. Hohe Lumineszenzhelligkeit, hervorragende Photostabilität, Anregung und Emission im nahen Infrarotbereich, spektrales und zeitliches Multiplexing und große Oberflächen für multifunktionale Biokonjugation sind nur einige der Merkmale, die lumineszierende NP für die Biosensorik sehr attraktiv machen, und FRET‐Effizienzen von bis zu 90 % haben ihr Potenzial für eine erfolgreiche Umsetzung in bioanalytische Anwendungen gezeigt.
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 | 0.002 | 0.003 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.002 | 0.003 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.002 | 0.005 |
| Insufficient payload (model declined to judge) | 0.014 | 0.006 |
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".