XiaoMi-AI文件搜索系统
World File Search SystemRAMAN
宽带刺激的拉曼成像基于多通道锁定检测的光谱组织病理学
自发的拉曼显微镜通过直接揭示分子的振动光谱，以无标记和非侵入性方式揭示了样品的化学成分。但是，其极低的横截面可防止其应用于快速成像。刺激的拉曼散射（SRS）得益于非线性过程的连贯性，通过几个数量级扩大信号，从而解开了提供分析信息以阐明具有亚纤维分辨率的生化机制的高速显微镜应用。尽管如此，在其标准实现中，窄带SRS一次只能以一个频率提供图像，这不足以区分重叠的拉曼频段的成分。在这里，我们报告了配备有自制的多通道锁定放大器的宽带SRS显微镜，同时在32频率下测量SRS信号，集成时间降至44μs，从而允许详细的，高空间分辨率的样品映射。我们通过测量单个脂质液滴水平的肝细胞中不同脂肪酸的相对浓度，通过测量不同脂肪酸的相对浓度来区分异质样品的化学成分的能力，并通过将纤维固醇模型中的肿瘤与脑肿瘤组织与周围肿瘤区分开来。©2022作者。所有文章内容（除非另有说明，否则都将根据创意共享归因（cc by）许可（http://creativecommons.org/licenses/4.0/）获得许可。https://doi.org/10.1063/5.0093946
通过机器学习模型揭示单层 MoS2 中拉曼和光致发光之间的相关性
二维材料由于其超薄的厚度和超高的表面积与体积比而拥有奇特的物理和化学特性。单层过渡金属二硫化物 (TMDCs) 半导体表现出可调的光致发光 (PL)，可以通过应变和掺杂等外部扰动来操纵。例如，单层 MoS 2 拥有应变可调的能带结构，表现出可用于光伏 [1] 的宽带光吸收和可用于量子信息 [2] 应用的有前途的单光子发射。单层 MoS 2 还表现出由化学 [3] 或静电掺杂 [4] 引起的接近 1 的 PL 量子产率，从而可以开发高效的发光二极管 [5] 或激光器 [6]。为了探测外部扰动，拉曼光谱是一种强大且非破坏性的工具，可以定量确定应变和掺杂对 MoS 2 的影响。尽管应变和掺杂对
使用活性拉曼光谱法评估癌细胞摄取钴金属纳米颗粒
目的：应用于癌症治疗的纳米技术是纳米医学研究的一个越来越多的研究领域，具有磁性纳米粒子介导的抗癌药物输送系统，提供了最小可能的副作用。到此，使用无标记的共聚焦拉曼光谱研究了商业钴金属纳米颗粒的结构和化学性质。材料和方法：通过XRD和TEM研究了钴纳米颗粒的晶体结构和形态。用鱿鱼和PPM研究了磁性特性。共聚焦拉曼显微镜具有高空间分辨率和组成灵敏度。它是一种无标记的工具，可在细胞内追踪纳米颗粒，并研究无涂层的钴金属纳米颗粒与癌细胞之间的相互作用。通过MTT测定法评估了钴纳米颗粒对人类细胞的毒性。结果：MCF7和HCT116癌细胞和DPSC间充质干细胞的超paragnetic CO金属纳米颗粒摄取通过共聚焦拉曼显微镜研究。拉曼纳米颗粒特征还可以准确检测细胞内的纳米颗粒而无需标记。观察到钴纳米颗粒的快速吸收，然后观察到快速凋亡。通过针对人类胚胎肾脏（HEK）细胞的MTT测定法评估其低细胞毒性，使它们成为有望发展目标疗法的候选者。结论：无标签的共聚焦拉曼光谱可以准确地将CO金属纳米颗粒定位在细胞环境中。此外，在20MW的激光照射下，波长为532nm，可以使局部加热导致细胞内钴金属纳米颗粒的燃烧，从而为癌症光疗法开放新的途径。研究了无表面活性剂钴金属纳米颗粒与癌细胞之间的相互作用。癌细胞中易于的内吞作用表明，这些纳米颗粒在产生其凋亡方面具有潜力。这项初步研究证明了钴纳米材料在纳米医学中应用的可行性和相关性，例如光疗，高温或干细胞递送。关键字：拉曼光谱，钴纳米颗粒，癌细胞，干细胞，细胞摄取，凋亡，无标签工具
重点介绍了商业SERS底物以及优化的Nanorough大区域SERS传感器：Raman研究
hal是一个多学科的开放访问档案，用于存款和传播科学研究文件，无论它们是否已发表。这些文件可能来自法国或国外的教学和研究机构，也可能来自公共或私人研究中心。
使用单细胞拉曼光谱法对环境样品中细菌鉴定的研究：可行性和参考文献
我们通过拉曼光谱法报告了我们最近为鉴定环境样品中细菌的努力。我们从提交到各种环境条件的细菌中建立了一个拉曼光谱数据库。该数据集用于验证在非理想条件下执行的测量值可能是否可以进行拉曼键入。从同一数据集开始，我们随后改变了用于训练统计模型的参考库中包含的表型和矩阵多样性内容。结果表明，与从限制的条件集对光谱训练的环境特定模型相比，可以获得具有扩展光谱变化覆盖范围的模型。广泛的覆盖模型对于环境样品是可取的，因为细菌的确切条件无法控制。
在检测慢性心力衰竭中分析血清拉曼光谱的机器学习方法的比较
摘要。拉曼光谱对分子水平上物质化学成分的高灵敏度使其成为通过分析血清诊断慢性心力衰竭（CHF）的宝贵工具。拉曼光谱法提供了一种无标签，快速检测方法，与机器学习（ML）技术结合使用时具有高度特异性和准确的结果。但是，必须仔细选择适当的ML算法，以分析高维光谱数据，以获得可靠和正确的结果，这些结果主要基于所研究的样品，标本或结构的真实化学特征以及并非所有算法都可以提供高性能。在这项研究中，我们比较了四种方法：（1）多变量曲线分辨率与逻辑回归（MCR-LR）结合使用，（2）与线性内核支持向量机（MCR-SVM），（3）在潜在结构上的投影与歧视分析（PLS-DA）的投射（4）投影（4） （PLS-SVM）。这些方法适用于CHF患者的193例拉曼光谱，对照病例的78例。我们发现，PLS-DA和PLS-SVM证明了最佳的ROC AUC，平均值为0.950（0.91-0.97，0.95 CI）和0.99（0.94 - 1.00，0.95 CI），而MCR-LR和MCR-SVM仅实现了0.50（0.46- 0.53-0.95 CI），以及0.53，0.95 CI），并实现CI），分别。©2024生物医学光子学与工程杂志。
通过二维刺激的拉曼绝热通道在空间上强烈限制了原子激发
摘要：我们考虑一种通过二维刺激的拉曼绝热通道（2D搅拌）过程的亚波长超定位和原子质波的图案的方法。最初在其地面上制备的原子与Doughnut形的光学涡流泵束相互作用，而波动波则在空间中具有恒定（顶帽）强度曲线的激光束。梁以违反直觉的时间序列发送，其中stokes脉冲在泵脉冲之前。与行动波和涡流束相互作用的原子通过2D搅拌将其转移到最终状态，而位于涡流束核心的原子保持在初始状态，从而在基态原子的空间分布中形成了一个超鼻纳米尺度原子位。通过数值模拟，我们表明，2D搅拌方法的表现优于建立的相干种群捕获的方法，从而产生了原子激发的更强限制。Gross-Pitaevskii方程的数值模拟表明，使用这种方法可以在被困的Bose-Einstein冷凝物（BEC）中创建2D明亮和深色的孤子结构。该方法允许人们避免由常规方法固有的衍射极限设置的限制，以形成局部孤子，并完全控制纳米分辨率缺陷的位置和大小。
利用相关事后拉曼和 TEM 研究纳米压痕引起的硅结构变化与温度的关系
硅仍然是技术上最重要的材料之一，广泛应用于各种微电子和微机电系统 (MEMS) 设备和传感器。几十年的深入工业研究已经带来了一些最先进的硅材料加工路线，但有关其机械性能的一些细节仍然是个谜。这并不是因为缺乏努力，而是因为其复杂性。就变形机制而言，位错塑性、断裂和各种相变都是可能的，具体取决于加载速率、应力状态、尺寸、温度、杂质的存在等。本研究重点关注硅中的相变，这种相变发生在以压缩载荷为主的围压下 [1-3]。这使得仪器压痕成为诱导此类行为的流行选择 [4,5]，我们在各种温度下都进行了这种测试。本研究的独特之处在于联合使用了两种事后显微镜技术：压痕的拉曼映射和聚焦离子束 (FIB) 加工提升的透射电子显微镜 (TEM)。这样做是为了试图更详细地了解不仅发生了哪些相变，而且了解它们在空间中的分布情况以及这种相变与压头下方局部应力状态的关系。在高温下，使用配备 800C 的 Hysitron PI88 原位 SEM 压痕和配备金刚石 Berkovich 尖端的原型高真空平台纳米压痕系统测试了具有 <001> 取向和 p 型掺杂的硅晶片，电阻率为 0.001-0.005 Ω-cm，相当于 1x1019 - 1x1020 cm-3 硼掺杂。沿着压痕的对角线准备提取件，从而将一个面和一个角一分为二。在减薄和转移到半网格之前，先沉积保护性铂。样品制备采用 FEI Versa 3D 双束和 EasyLift 操纵器（Thermo Fischer Scientific，希尔斯伯勒），并使用在明场中以 300keV 运行的 Technai F30 TEM 进行成像。图 1 显示了硅从室温到 450°C 的纳米压痕行为变化的摘要。其中，硬度最初随着温度升高到大约 150°C，然后开始稳步下降。这是一个相当有趣的观察结果，因为当性能由位错塑性介导时，硬度和屈服强度通常会随着温度的升高而降低 - 这表明在低温范围内其他行为占主导地位。这也体现在压痕的后期 SEM 成像中，因为在室温下会出现剥落，在 100°C 时会消失，然后在 200°C 时变成延性流动。剥落归因于卸载过程中晶格膨胀的相变。图 2 展示了一些关于解释这种硬度变化的变形机制变化的理解，其中显示了事后拉曼图和 TEM 图像。此处，室温拉曼图显示压头压痕下有一个强烈的相变区域，这从 TEM 成像中也可以看出来。当温度升高到 100°C 时，拉曼光谱显示从非晶态、R8 和 BC8 硅相的复杂混合物急剧转变为六方相和金刚石立方体相。事后 TEM 也显示相变区域的变化，特别是总相变材料的减少。在 200°C 时，拉曼光谱显示为金刚石立方体，含有少量六方材料。TEM 显示压痕下似乎以孪生塑性为主，几乎没有明显的相变材料。
使用拉曼光谱和机器学习模型在新鲜组织样品上进行分类
1医学生物技术与转化医学系，degli Studi di Milano大学，20122年意大利米兰2个肿瘤神经外科手术单位，Humanitas临床和研究中心 - IRCCS，20089年，意大利Rozzano，意大利； tommaso.sciortino@unimi.it（T.S.）; marco.conti@unimi.it（m.c.n.）; lorenzo.gay@unimi.it（l.g。）; marco.rossi2@unimi.it（M.R.）; lorenzo.bello@unimi.it（l.b。）3肿瘤学系，degli Studi di Milano大学，20122年意大利米兰4号米拉诺4 Hamlyn机器人手术中心，全球卫生创新研究所，伦敦帝国伦敦帝国学院，伦敦伦敦SW7 SW7 2AZ，英国； r.secoli@imperial.ac.uk 5电子，信息和生物工程部，Politecnico di Milano，Piazza Leonardo da Vinci 32，20133年，意大利米拉诺； ester.damico@mail.polimi.it（e.d.）; elena.demomi@polimi.it（E.D.M.）6 Biorobotics Institute and Ai卓越的AI，Scuola Superiore Sant'anna，Piazza Martiri Della Liberta'33，56127 Pisa，意大利Pisa； s.moccia@staff.univpm.t。 bethania.fernandes@humanitas.it *通信：marco.riva@unimi.it†这些作者为这项工作做出了同样的贡献。