Label-free silicon photonic biosensors for use in clinical diagnostics
Notice bibliographique
Résumé
Silicon photonics is poised to revolutionize biosensing applications, specifically in medical diagnostics. Optical sensors can be designed to improve clinically-relevant diagnostic assays and be functionalized to capture and detect target biomarkers of interest. There are various approaches to designing these sensors - improving the devices' performance, increasing the interaction of light with the analyte, and matching the characteristics of the biomolecules by using architectures that complement the biosensing application. Using e-beam lithography and standard foundry processes, we have investigated Transverse Magnetic (TM) and Transverse Electric (TE) disk and ring resonators. TM devices hold the potential for higher sensitivity and large-particle sensing capabilities due to the increased penetration distance of light into the analyte. In addition, devices such as slot wavegguide Bragg grating sensors have shown high sensitivities and high quality factors and may present advantages for specific biosensing applications. These devices have been investigated for wavelengths around λ=1550 nm (conventional wavelength window in fiber-optic communication) and λ=1220 nm, where the water absorption is greatly decreased, offering improved limits of detection. Using reversibly bonded PDMS microfluidic flow cells, the performance and bio-detection capabilities of these devices were characterized. Comparing binding performance across these devices will help validate architectures suitable for biological applications. The most promising sensors for each application will then be identified for further study and development. This paper will discuss the sensors' comparative advantages for different applications in biosensing and provide an outlook for future work in this field.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 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 | 0,001 |
| Science ouverte | 0,001 | 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 ».