A “chemical nose” biosensor for detecting proteins in complex mixtures
Notice bibliographique
Résumé
A growing understanding of the fundamental role of proteins in diseases has advanced the development of quantitative protein assays in the medical field. Current techniques for protein analysis include enzyme-linked immunosorbent assays (ELISA), flow cytometry, mass spectrometry, and immunohistochemistry. However, many of these conventional strategies require specialized training, expensive antibodies, or sophisticated equipment, raising assay costs and limiting their application to laboratory analysis. Here, we present the application of a "chemical nose" type colorimetric gold nanoparticle sensor for detection, quantification, and identification of single proteins, protein mixtures, and proteins within the complex environment of human serum. The unique interactions between a mixture of two different gold nanoparticle morphologies (spherical and branched) and six separate proteins (bovine serum albumin, human serum albumin, immunoglobulin G, fibrinogen, lysozyme, and hemoglobin) generated distinguishable protein- and concentration-dependent absorption spectra, even at nanomolar concentrations. Furthermore, we show that this response is sensitive to the relative abundance of different proteins in solution, permitting analysis of protein mixtures. Finally, we demonstrate the ability to distinguish human serum samples with and without a clinically relevant two-fold increase in immunoglobulin G, without the use of expensive reagents or complicated sample processing.
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 ».