Biosensing with Quantum Dots: A Microfluidic Approach
Notice bibliographique
Résumé
Semiconductor quantum dots (QDs) have served as the basis for signal development in a variety of biosensing technologies and in applications using bioprobes. The use of QDs as physical platforms to develop biosensors and bioprobes has attracted considerable interest. This is largely due to the unique optical properties of QDs that make them excellent choices as donors in fluorescence resonance energy transfer (FRET) and well suited for optical multiplexing. The large majority of QD-based bioprobe and biosensing technologies that have been described operate in bulk solution environments, where selective binding events at the surface of QDs are often associated with relatively long periods to reach a steady-state signal. An alternative approach to the design of biosensor architectures may be provided by a microfluidic system (MFS). A MFS is able to integrate chemical and biological processes into a single platform and allows for manipulation of flow conditions to achieve, by sample transport and mixing, reaction rates that are not entirely diffusion controlled. Integrating assays in a MFS provides numerous additional advantages, which include the use of very small amounts of reagents and samples, possible sample processing before detection, ultra-high sensitivity, high throughput, short analysis time, and in situ monitoring. Herein, a comprehensive review is provided that addresses the key concepts and applications of QD-based microfluidic biosensors with an added emphasis on how this combination of technologies provides for innovations in bioassay designs. Examples from the literature are used to highlight the many advantages of biosensing in a MFS and illustrate the versatility that such a platform offers in the design strategy.
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) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| 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 | 0,001 | 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 ».