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 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) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 | 0,001 |
| 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 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 ».