Velocity valleys enable efficient capture and spatial sorting of nanoparticle-bound cancer cells
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
The development of strategies for isolating rare cells from complex matrices like blood is important for a wide variety of applications including the analysis of bloodborne cancer cells, infectious pathogens, and prenatal testing. Due to their high colloidal stability and surface-to-volume ratio, antibody-coated magnetic nanoparticles are excellent labels for cellular surface markers. Unfortunately, capture of nanoparticle-bound cells at practical flow rates is challenging due to the small volume, and thus low magnetic susceptibility, of magnetic nanoparticles. We have developed a means to capture nanoparticle-labeled cells using microstructures which create pockets of locally low linear velocity, termed velocity valleys. Cells that enter a velocity valley slow down momentarily, allowing the magnetic force to overcome the reduced drag force and trap the cells. Here, we describe a model for this mechanism of cell capture and use this model to guide the rational design of a device that efficiently captures rare cells and sorts them according to surface expression in complex matrices with greater than 10,000-fold specificity. By analysing the magnetic and drag forces on a cell, we calculate a threshold linear velocity for capture and relate this to the capture efficiency. We find that the addition of X-shaped microstructures enhances capture efficiency 5-fold compared to circular posts. By tuning the linear velocity, we capture cells with a 100-fold range of surface marker expression with near 100% efficiency and sort these cells into spatially distinct zones. By tuning the flow channel geometry, we reduce non-specific cell adhesion by 5-fold.
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