Self-Localizing Stabilized Mega-Pixel Picoliter Arrays with Size-Exclusion Sorting Capabilities
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 report on a liquid self-localizing process capable of producing Mega-pixel arrays of picoliter volumes on a 1 cm(2) area, within seconds, for high throughput sampling. The chip is based on principles of spatially varying wetting and stabilization. The key is to develop differential surface contact regions, which lead to both localization of the solution and increasing the surface adsorption energy to further pin the liquid to the surface, as highlighted by other studies. By exploiting surface roughness for enhanced wettability, we demonstrate wetting of wells with the aspect ratio of 100. The high precision of reactive ion etching (RIE) of silicon substrates allows for an extremely reproducible method of preparing the array of identical well structures and increased contact area to increase surface adsorption in the wells. "Dynamic wetting" is then readily achieved through inducing contact line instability by simply moving a drop of liquid on the top surface of the array. Liquid samples self-localize into the array pattern with the associated liquid flow leading to self-localization of suspended particles or analyte. The resulting picoliter volumes are both spatially ordered and stable for long periods of time, even for such small volumes, to permit selective measurements of the contents. This development will be particularly important in the assembly of the massive amounts of crystalline particles needed for atomically resolved structural dynamics using the latest advances in high number density electron and X-ray sources.
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 | 0,001 |
| 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