MétaCan
Menu
Retour à la cohorte
Enregistrement W2302417112 · doi:10.3390/bios6010008

Aryl Diazonium Chemistry for the Surface Functionalization of Glassy Biosensors

2016· article· en· W2302417112 sur OpenAlexafffund
Wei Zheng, Remko van den Hurk, Yong Cao, Rongbing Du, Xuejun Sun, Yiyu Wang, Mark T. McDermott, Stéphane Evoy

Notice bibliographique

RevueBiosensors · 2016
Typearticle
Langueen
DomaineEngineering
ThématiqueMolecular Junctions and Nanostructures
Établissements canadiensNational Institute for NanotechnologyUniversity of Alberta
Organismes subventionnairesNatural Sciences and Engineering Research Council of CanadaUniversity of Alberta
Mots-clésSurface modificationBiosensorArylMaterials scienceGraftingNanotechnologyNanoparticleElectrochemistryChemical engineeringChemistryPolymerOrganic chemistryComposite materialPhysical chemistryElectrode

Résumé

récupéré en direct d'OpenAlex

Nanostring resonator and fiber-optics-based biosensors are of interest as they offer high sensitivity, real-time measurements and the ability to integrate with electronics. However, these devices are somewhat impaired by issues related to surface modification. Both nanostring resonators and photonic sensors employ glassy materials, which are incompatible with electrochemistry. A surface chemistry approach providing strong and stable adhesion to glassy surfaces is thus required. In this work, a diazonium salt induced aryl film grafting process is employed to modify a novel SiCN glassy material. Sandwich rabbit IgG binding assays are performed on the diazonium treated SiCN surfaces. Fluorescently labelled anti-rabbit IgG and anti-rabbit IgG conjugated gold nanoparticles were used as markers to demonstrate the absorption of anti-rabbit IgG and therefore verify the successful grafting of the aryl film. The results of the experiments support the effectiveness of diazonium chemistry for the surface functionalization of SiCN surfaces. This method is applicable to other types of glassy materials and potentially can be expanded to various nanomechanical and optical biosensors.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut 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: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,061
Score d'incertitude au seuil0,271

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
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 Opus0,007
Tête enseignante GPT0,192
Écart entre enseignants0,184 · 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 tête enseignante, 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
GenreEmpirique

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

En bref

Citations12
Publié2016
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueBiosensorsMême sujetMolecular Junctions and NanostructuresTravaux en français237 207