Flow-Through vs Flow-Over: Analysis of Transport and Binding in Nanohole Array Plasmonic Biosensors
Notice bibliographique
Résumé
We quantify the efficacy of flow-through nanohole sensing, as compared to the established flow-over format, through scaling analysis and numerical simulation. Nanohole arrays represent a growing niche within surface plasmon resonance-based sensing methods, and employing the nanoholes as nanochannels can enhance transport and analytical response. The additional benefit offered by flow-through operation is, however, a complex function of operating parameters and application-specific binding chemistry. Compared here are flow-over sensors and flow-through nanohole array sensors with equivalent sensing area, where the nanohole array sensing area is taken as the inner-walls of the nanoholes. The footprints of the sensors are similar (e.g., a square 20 μm wide flow-over sensor has an equivalent sensing area as a square 30 μm wide array of 300 nm diameter nanoholes with 450 nm periodicity in a 100 nm thick gold film). Considering transport alone, an analysis here shows that given equivalent sensing area and flow rate the flow-through nanohole format enables greatly increased flux of analytes to the sensing surface (e.g., 40-fold for the case of Q = 10 nL/min). Including both transport and binding kinetics, a computational model, validated by experimental data, provides guidelines for performance as a function of binding time constant, analyte diffusivity, and running parameters. For common binding kinetics and analytes, flow-through nanohole arrays offer ∼10-fold improvement in response time, with a maximum of 20-fold improvement for small biomolecules with rapid kinetics.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».