MétaCan
Menu
Retour à la cohorte
Enregistrement W2158880951 · doi:10.1177/2211068213504205

Rapid and Sensitive Detection of H1N1/2009 Virus from Aerosol Samples with a Microfluidic Immunosensor

2013· article· en· W2158880951 sur OpenAlexaff
Hyuck‐Jin Kwon, Christopher F. Fronczek, Scott V. Angus, Ariana M. Nicolini, Jeong‐Yeol Yoon

Notice bibliographique

RevueSLAS TECHNOLOGY · 2013
Typearticle
Langueen
DomaineEngineering
ThématiqueBiosensors and Analytical Detection
Établissements canadiensMcMaster University
Organismes subventionnairesnon disponible
Mots-clésAerosolMicrofluidicsNebulizerChromatographyMaterials scienceMie scatteringSpectrometerLight scatteringNanotechnologyChemistryOpticsScatteringPhysics

Résumé

récupéré en direct d'OpenAlex

Influenza A H1N1/2009 is a highly infectious, rapidly spreading airborne disease that needs to be monitored in near real time, preferably in a microfluidic format. However, such demonstration is difficult to find as H1N1 concentration in aerosol samples is extremely low, with interference from dust particles. In this work, we measured Mie scatter intensities from a microfluidic device with optical waveguide channels, where the antibody-conjugated latex beads immunoagglutinated with the target H1N1 antigens. Through careful optimizations of optical parameters, we were able to maximize the Mie scatter increase from the latex immunoagglutinations while minimizing the background scatter from the dust particles. The aerosol samples were collected from a 1:10 mock classroom using a button air sampler, where a nebulizer generated aerosols, simulating human coughing. The detection limits with real aerosol samples were 1 and 10 pg/mL, using a spectrometer or a cell phone camera as an optical detector, respectively. These are several orders of magnitudes more sensitive than the other methods. The microfluidic immunosensor readings are in concordance with the results of reverse transcription polymerase chain reaction. The assay time was 30 s for sampling and 5 min for the microfluidic assay.

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 machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,001
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Méthodes · Signal consensuel: aucune
Score de désaccord entre enseignants0,001
Score d'incertitude au seuil0,003

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,001
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,005
Tête enseignante GPT0,167
Écart entre enseignants0,163 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeExpérimental (laboratoire)
Domainenon disponible
GenreMéthodes

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations25
Publié2013
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueSLAS TECHNOLOGYMême sujetBiosensors and Analytical DetectionTravaux en français237 207