Droplet Microfluidic System with On-Demand Trapping and Releasing of Droplet for Drug Screening Applications
Notice bibliographique
Résumé
96-Well plate has been the traditional method used for screening drug compounds libraries for potential bioactivity. Although this method has been proven successful in testing dose-response analysis, the microliter consumption of expensive reagents and hours of reaction and analysis time call for innovative methods for improvements. This work demonstrates a droplet microfluidic platform that has the potential to significantly reduce the reagent consumption and shorten the reaction and analysis time by utilizing nanoliter-sized droplets as a replacement of wells. This platform is evaluated by applying it to screen drug compounds that inhibit the tau-peptide aggregation, a phenomena related to Alzheimer's disease. In this platform, sample reagents are first dispersed into nanolitre-sized droplets by an immiscible carrier oil and then these droplets are trapped on-demand in the downstream of the microfluidic device. The relative decrease in fluorescence through drug inhibition is characterized using an inverted epifluorescence microscope. Finally, the trapped droplets are released on-demand after each test by manipulating the applied pressures to the channel network which allows continuous processing. The testing results agree well with that obtained from 96-well plates with much lower sample consumption (∼200 times lower than 96-well plate) and reduced reaction time due to increased surface volume ratio (2.5 min vs 2 h).
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 ».