Efficacy of an Extraction Solvent Used to Quantify Albumin Deposition on Hydrogel Contact Lens Materials
Notice bibliographique
Résumé
OBJECTIVES: Extracting proteins from conventional hydrogel (CH) and silicone hydrogel (SH) contact lens materials using a mixture of trifluoroacetic acid/acetonitrile (TFA/ACN) is a well-established procedure for quantifying individual and total protein deposited on contact lenses. The purpose of this study was to determine the efficacy of TFA/ACN in extracting albumin from SH and a CH group IV lens material using an in vitro model. METHODS: One CH group IV lens material (etafilcon A) and five different SH lens materials (lotrafilcon A, lotrafilcon B, balafilcon A, galyfilcon A, and senofilcon A) were incubated in both simple albumin solution and a complex artificial tear protein solution containing 125I-labeled albumin. All the lens materials were incubated for 14 days at 37 degrees C with constant rotations. Following the incubation period, radioactive counts were determined and the lenses were placed in an appropriate volume of the extraction solvent. After the specified time, the lenses were removed and radioactive counts were determined again to calculate the amount of albumin remaining on the lenses post-extraction. RESULTS: Extraction efficiencies for albumin from the artificial tear protein solution were 97.2% +/- 2 for etafilcon A, 77.3% +/- 6.2 for lotrafilcon A, 73.5% +/- 5.6 for lotrafilcon B, 81.5% +/- 5.8 for balafilcon, 91.2% +/- 3.4 for galyfilcon A, and 89.2% +/- 3.4 for senofilcon A. Results were similar for the albumin extracted after incubating in the simple albumin solution. CONCLUSIONS: Although TFA/ACN is efficient at extracting albumin deposited on etafilcon lenses, it does not extract all the albumin that is deposited on SH lenses and alternative extraction procedures should be sought.
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 | 0,006 | 0,009 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,003 |
| Science ouverte | 0,001 | 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 ».