Micellar affinity gradient focusing in a microfluidic chip with integrated bilinear temperature gradients
Notice bibliographique
Résumé
Micellar affinity gradient focusing (MAGF) is a microfluidic counterflow gradient focusing technique that combines the favorable features of MEKC and temperature gradient focusing. MAGF separates analytes on the basis of a combination of electrophoretic mobility and partitioning with the micellar phase. A temperature gradient is produced along the separation channel containing an analyte/micellar system to create a gradient in interaction strength (retention factor) between the analytes and micelles. Combined with a bulk counterflow, species concentrate at a unique point where their total velocity sums to zero. MAGF can be used in scanning mode by varying the bulk flow so that a large number of analytes can be sequentially focused and passed by a single detection point. In this work, we develop a bilinear temperature gradient along the separation channel that improves separation performance over the conventional linear designs. The temperature profile along the channel consists of a very sharp gradient used to preconcentrate the sample followed by a shallow gradient that increases resolution. We fabricated a hybrid PDMS/glass microfluidic chip with integrated micro heaters that generate the bilinear profile. Performance is characterized by separating several different samples including fluorescent dyes using SDS surfactant and pI markers using both SDS and poly-SUS surfactants as the micellar phase. The new design shows a nearly two times improvement in peak capacity and resolution in comparison to the standard linear temperature gradient.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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.
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 tête enseignante, 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 ».