A survey of state-of-the-art surface chemistries to minimize fouling from human and animal biofluids
Notice bibliographique
Résumé
Upon contact with bodily fluids, synthetic materials spontaneously acquire a layer of various species (most notably proteins) on their surface. The concern with respect to biomedical equipment, implants or devices resides in the possibility for biological processes with potentially harmful effects to ensue. In biosensor technology, the issue with this natural fouling phenomenon is that of non-specific adsorption to sensing platforms, which generates an often overwhelming interference signal that prevents the detection, not to mention the quantification, of target analytes present at considerably lower concentration. To alleviate this ubiquitous, recurrent problem - this genuine biotechnological plague - considerable research efforts have been devoted over the last few decades to engineer antifouling coatings. Extensive literature now exists that describes stealth organic adlayers capable of reducing fouling surface coverage Γ down to a few ng cm(-2)- however from biotechnologically irrelevant buffered solutions free or nearly depleted of any potentially interfering species. Regrettably indeed, few coatings are known to display/retain such level of performance when exposed to otherwise more complex, real-life biosamples (even diluted). Herein, we comprehensively review the state-of-the-art surface chemistries developed to date (January 2015) to minimize fouling from 8 such uncomparatively more challenging biological media (blood plasma, blood serum, cell lysate, cerebrospinal fluid, egg, milk, saliva, and urine) - whether of human or animal origin. Literature search for another 25 biological milieux generated no (exploitable) hit. Also discussed in this Review are the identification of the species responsible for fouling, and the dependence of antifouling properties on biosample source variability.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,002 |
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 ».