MétaCan
Menu
Retour à la cohorte
Enregistrement W2556365973 · doi:10.1109/tnb.2016.2628403

Rapid Detection of Protein Kinase on Capacitive Sensing Platforms

2016· article· en· W2556365973 sur OpenAlexaff
Rohit Chand, Dawoon Han, Yong‐Sang Kim

Notice bibliographique

RevueIEEE Transactions on NanoBioscience · 2016
Typearticle
Langueen
DomaineBiochemistry, Genetics and Molecular Biology
ThématiqueAdvanced biosensing and bioanalysis techniques
Établissements canadiensUniversity of Guelph
Organismes subventionnairesnon disponible
Mots-clésAptamerCapacitive sensingCapacitanceMaterials scienceDetection limitAnalyteBiosensorMonolayerOptoelectronicsSemiconductorISFETTransistorNanotechnologyVoltageChemistryComputer scienceField-effect transistorElectrical engineeringElectrodeChromatography

Résumé

récupéré en direct d'OpenAlex

In this study, we developed a capacitive sensor for the one-step and label-free detection of protein kinase A (PKA) enzyme. Metal-insulator-semiconductor (MIS) and electrolyte-insulator-semiconductor (EIS) are a simple electronic transducer, which allows efficient detection of the target analyte. For this reason, we performed a comparative sensing of PKA on the MIS and EIS capacitive sensor. The PKA-specific aptamer was used for the one-step detection. For the immobilization of thiolated aptamer, the MIS sensor contained a thin gold layer, whereas the EIS sensor had a self-aligned monolayer of gold nanoparticles. The interaction of aptamer and PKA changed the charge and density of the sensor surface. The quantitative detection of PKA was performed by analyzing the capacitance-voltage curve after the aptamer-PKA interaction. The MIS and EIS sensor showed a detection limit of 5 U/mL and 1 U/mL, respectively, for the detection of PKA. This study suggests valuable sensing platforms for the rapid and sensitive biochemical diagnosis.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,001
Version: metacan-v3-hybrid-931329e0061cStatut 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: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,001
Score d'incertitude au seuil0,003

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,001
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0010,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,001
Science ouverte0,0010,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0010,001

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 Opus0,012
Tête enseignante GPT0,240
Écart entre enseignants0,228 · 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 source (Gemma direct ou Codex distillé), 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
GenreEmpirique

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

En bref

Citations5
Publié2016
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueIEEE Transactions on NanoBioscienceMême sujetAdvanced biosensing and bioanalysis techniquesTravaux en français237 207