Active optofluidic structures for analyte concentration and sensing
Notice bibliographique
Résumé
O arrays of metallic nanoholes have demonstrated great potential as sensors for the detection of analytes, including biomarkers for early diagnosis of diseases and viruses. These nanoplasmonic structures have been integrated into microfluidic environments in lab-on-chip formats towards the development of commercial-competitive biochemical diagnostics. The use of nanohole arrays in flow-through fashion has demonstrated additional benefits in terms of transport, such as targeted analyte delivery to the active sensing surface, effective analyte utilization and faster response times. In many applications, however, sensing must be achieved using samples with very low concentration of the target analyte. In order to overcome this challenge, concentration and purification stages are commonly employed before sensing. Among different approaches for achieving analyte preconcentration, electrokinetic techniques have demonstrated suitable for on-chip integration. The metallic nature of nanohole arrays offers the possibility to extend their use as active concentrators through electric field gradient focusing (EFGF) and the utilization of a pressure bias. Here we present the additional capabilities of the optofluidic structures to tailor the final concentration and spatial location of the analyte within the microfluidic chip, and the possibility to achieve transport control of the concentrated analyte using the nanoplasmonic structure as active switch. These demonstrated abilities extend the potentials of metallic nanohole arrays to achieve transport, concentration, active control and sensing using the same nanoplasmonic structure. Carlos Escobedo, J Phys Chem Biophys 2013, 3:5 http://dx.doi.org/10.4172/2161-0398.S1.004
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 ».