MétaCan
Menu
Retour à la cohorte
Enregistrement W2495584274 · doi:10.1007/978-1-62703-370-1_15

Aptamer-Based Electrochemical Biosensors for the Detection of Small Molecules and Plasma Proteins

2013· book-chapter· en· W2495584274 sur OpenAlexafffund
Cassie Ho, Hua‐Zhong Yu

Notice bibliographique

RevueNeuromethods · 2013
Typebook-chapter
Langueen
DomaineBiochemistry, Genetics and Molecular Biology
ThématiqueAdvanced biosensing and bioanalysis techniques
Établissements canadiensSimon Fraser University
Organismes subventionnairesNatural Sciences and Engineering Research Council of CanadaCanadian Institutes of Health Research
Mots-clésAptamerBiosensorAnalyteNanotechnologySmall moleculeOligonucleotideComputational biologyMaterials scienceComputer scienceChemistryMolecular biologyBiologyBiochemistryChromatography

Résumé

récupéré en direct d'OpenAlex

The ability to detect the presence of certain molecular analytes inside the human body is vital to the ability of a medical professional to assess a patient’s health. The use of sensitive and selective biosensors would be a tremendous asset to the field of medical screening and diagnosis. The fabrication of aptamer-based electrochemical biosensors as an emerging technology has made the detection of both small and macromolecular analytes easier, faster, and more suited for the ongoing transition from fundamental analytical science to the early detection of diseases. Aptamers are synthetic oligonucleotides that have undergone iterative rounds of in vitro selection for binding with high affinity to specific analytes of choice; a sensitive yet simple method to utilize aptamers as recognition entities for the development of biosensors is to transduce the signal electrochemically. In this chapter, we will summarize the state-of-the-art research progresses on aptamer-based electrochemical biosensors for the detection of both plasma proteins and small molecules. The targeted portable electronic devices, as they can be operated by the patients during their day-to-day lives, have the potential to revolutionize the delivery of medical treatment.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Méthodes · Signal consensuel: Méthodes
Score de désaccord entre enseignants0,257
Score d'incertitude au seuil0,921

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,022
Tête enseignante GPT0,274
Écart entre enseignants0,252 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeExpérimental (laboratoire)
Domainenon disponible
GenreMéthodes

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations2
Publié2013
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueNeuromethodsMême sujetAdvanced biosensing and bioanalysis techniquesTravaux en français237 207