Digital Microfluidic Magnetic Separation for Particle-Based Immunoassays
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
We introduce a new format for particle-based immunoassays relying on digital microfluidics (DMF) and magnetic forces to separate and resuspend antibody-coated paramagnetic particles. In DMF, fluids are electrostatically controlled as discrete droplets (picoliters to microliters) on an array of insulated electrodes. By applying appropriate sequences of potentials to these electrodes, multiple droplets can be manipulated simultaneously and various droplet operations can be achieved using the same device design. This flexibility makes DMF well-suited for applications that require complex, multistep protocols such as immunoassays. Here, we report the first particle-based immunoassay on DMF without the aid of oil carrier fluid to enable droplet movement (i.e., droplets are surrounded by air instead of oil). This new format allowed the realization of a novel on-chip particle separation and resuspension method capable of removing greater than 90% of unbound reagents in one step. Using this technique, we developed methods for noncompetitive and competitive immunoassays, using thyroid stimulating hormone (TSH) and 17β-estradiol (E2) as model analytes, respectively. We show that, compared to conventional methods, the new DMF approach reported here reduced reagent volumes and analysis time by 100-fold and 10-fold, respectively, while retaining a level of analytical performance required for clinical screening. Thus, we propose that the new technique has great potential for eventual use in a fast, low-waste, and inexpensive instrument for the quantitative analysis of proteins and small molecules in low sample volumes.
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.
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 découle