Transverse Diffusion of Laminar Flow Profiles To Produce Capillary Nanoreactors
Notice bibliographique
Résumé
We introduce transverse diffusion of laminar flow profiles (TDLFP), the first generic method for mixing two or more reactants inside capillaries. Conceptually, solutions of reactants are injected inside the capillary by pressure as a series of consecutive plugs. Due to the laminar nature of flow inside the capillary, the nondiffused plugs have parabolic profiles with predominantly longitudinal interfaces between them. After injection, the plugs are mixed by transverse diffusion; longitudinal diffusion does not contribute to mixing. To prove the principle, we used TDLFP to mix two reactants-an enzyme and its substrate. After mixing the reactants by TDLFP, we incubated reaction mixtures for different periods of time and measured the reaction kinetics. We found that the reaction proceeded in time- and concentration-dependent fashion, thus confirming that the reactants were mixed by TDLFP. Remarkably, the experimental reaction kinetics were not only in qualitative agreement but also in good quantitative agreement with theoretically predicted ones. TDLFP has a number of enabling features. By facilitating the preparation of reaction mixtures inside the capillary, TDLFP lowers reagent consumption to nanoliters (microliters are required for conventionally mixing reagents in a vial). The reaction products can be then analyzed "on-line" by capillary separation coupled with optical, electrochemical, or mass spectrometric detection. The combination of TDLFP with capillary separation will be an indispensable tool in screening large combinatorial libraries for affinity probes and drug candidates: a few microliters of a target protein will be sufficient to screen thousands of compounds. The new method paves the road to a wide use of capillary nanoreactors in different areas of physical and life sciences.
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 ».