MétaCan
Menu
Retour à la cohorte
Enregistrement W1834676530 · doi:10.3390/s151026236

Protein Adsorption in Microengraving Immunoassays

2015· article· en· W1834676530 sur OpenAlexfundno aff
Qing Song

Notice bibliographique

RevueSensors · 2015
Typearticle
Langueen
DomaineBiochemistry, Genetics and Molecular Biology
ThématiqueAdvanced Biosensing Techniques and Applications
Établissements canadiensnon disponible
Organismes subventionnairesYork University
Mots-clésAdsorptionChemistryChromatographyComputational biologyBiologyOrganic chemistry

Résumé

récupéré en direct d'OpenAlex

Microengraving is a novel immunoassay for characterizing multiple protein secretions from single cells. During the immunoassay, characteristic diffusion and kinetic time scales and determine the time for molecular diffusion of proteins secreted from the activated single lymphocytes and subsequent binding onto the glass slide surface respectively. Our results demonstrate that molecular diffusion plays important roles in the early stage of protein adsorption dynamics which shifts to a kinetic controlled mechanism in the later stage. Similar dynamic pathways are observed for protein adsorption with significantly fast rates and rapid shifts in transport mechanisms when is increased a hundred times from 0.313 to 31.3. Theoretical adsorption isotherms follow the trend of experimentally obtained data. Adsorption isotherms indicate that amount of proteins secreted from individual cells and subsequently captured on a clean glass slide surface increases monotonically with time. Our study directly validates that protein secretion rates can be quantified by the microengraving immunoassay. This will enable us to apply microengraving immunoassays to quantify secretion rates from 10⁴-10⁵ single cells in parallel, screen antigen-specific cells with the highest secretion rate for clonal expansion and quantitatively reveal cellular heterogeneity within a small cell sample.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,001
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,001
Score d'incertitude au seuil0,005

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,001
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0000,000
Communication savante0,0010,001
Science ouverte0,0010,000
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,017
Tête enseignante GPT0,272
Écart entre enseignants0,255 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeExpérimental (laboratoire)
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations3
Publié2015
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueSensorsMême sujetAdvanced Biosensing Techniques and ApplicationsTravaux en français237 207