Bilinear Temperature Gradient Focusing in a Hybrid PDMS/Glass Microfluidic Chip Integrated with Planar Heaters for Generating Temperature Gradients
Notice bibliographique
Résumé
Temperature gradient focusing (TGF) is a counterflow gradient focusing technique, which utilizes a temperature gradient across a microchannel or capillary to separate analytes. With an appropriate buffer, the temperature gradient creates a gradient in both the electric field and electrophoretic velocity. Combined with a bulk counter flow, ionic species concentrate at a unique point where the total velocity sums to zero and separate from each other. Scanning TGF uses varying bulk flow so that a large number of analytes that have large differences in electrophoretic mobility can be sequentially focused and passed by a single detection point. Up to now, scanning TGF examples have been performed using a linear temperature gradient which has limitations in improving peak capacity and resolution at the same time. In this work, we develop a bilinear temperature gradient along the separation channel that improves both peak capacity and separation resolution simultaneously. The temperature profile along the channel consists of a very sharp gradient used to preconcentrate the sample followed by a shallow gradient that increases separation resolution. A specialized design is developed for the heaters to achieve the bilinear profile using both analytical and numerical modeling. The heaters are integrated onto a hybrid PDMS/glass chip fabricated using conventional sputtering and soft-lithography techniques. Separation performance is characterized by separating several different dyes and amino acids that have close electrophoretic mobilities. Experiments show a dramatic improvement in peak capacity and resolution in comparison to the standard linear temperature gradient.
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 | 0,000 | 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 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 ».