High-Performance Low-Cost Antibody Microarrays Using Enzyme-Mediated Silver Amplification
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
Antibody microarrays can detect multiple proteins simultaneously, but the need for bulky and expensive fluorescence scanners limits their adaptation in clinical settings. Here we introduce a 15-plex enzyme-mediated silver enhanced sandwich immunoassay (SENSIA) on a microarray as an economic alternative to conventional fluorescence microarray assays. We compared several gold and silver amplification schemes, optimized HRP-mediated silver amplification, and evaluated the use of flatbed scanners for microarray quantification. Using the optimized assay condition, we established binding curves for 15 proteins using both SENSIA and conventional fluorescence microarray assays and compared their limits of detection (LODs) and dynamic ranges (DRs). We found that the LODs for all proteins are in the pg/mL range, with LODs for 12 proteins below 10 pg/mL. All but two proteins (ENDO and IL4) have similar LODs (less than 10-fold difference) and all but two proteins (IL1b and MCP1) are similar in DR (less than 1.5-log difference). Furthermore, we spiked six proteins in diluted serum and measured them by both silver enhancement and fluorescence detection and found a good agreement (R(2) > 0.9) between the two methods, suggesting that a complex matrix such as serum has a minimal effect on the measurement. By combining enzyme-mediated silver enhancement and consumer electronics for optical detection, SENSIA presents a new opportunity for low-cost high-sensitivity multiplex immunoassays for clinical applications.
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 | 0,001 | 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 découle