Microfluidic and nanofluidic integration of plasmonic substrates for biosensing
Notice bibliographique
Résumé
Metallic nanohole arrays support surface electromagnetic waves that enable enhanced optical transmission and may be exploited for sensing. Our group has been active in the application of enhanced optical transmission to chemical and biological sensing, and in the optofluidic integration nanohole arrays. Recent work in this area is described here. Recent work using a blocking layer to limit the exposed metal surface to the in-hole region resulted in effective sensing in a much smaller, nanoconfined volume. This result motivates the use of through nanoholes, (i.e. nanoholes as nanochannels) to directly address the sensing area. A flow-through nanohole array based sensing format is presented that leads to enhanced transport of reactants to the active area and a solution sieving action that is unique among surfacebased sensing methods. The pertinent fluid and solid mechanics aspects of the flow-through nanohole array sensing are discussed and recent flow-through sensing results are presented. The application of dielectrophoresis to influence particle transport in flow-through nanohole arrays is also discussed. Specifically, simulations indicate that equivalent dielectrophoretic forces are compatible with drag forces for flow rates in the range already defined in the context of biomarker transport and membrane strength considerations. Importantly, these results indicate that dielectrophoretic trapping is viable in these systems. The confinement of particles in the nanoholes opens opportunities for analyte concentration and surface enhanced Raman scattering in flow-through nanohole array based fluidic systems.
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 | 0,000 |
| 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 | 0,000 |
| 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 ».