Pipetting-driven microfluidic immunohistochemistry to facilitate enhanced immunoreaction and effective use of antibodies
Notice bibliographique
Résumé
Immunohistochemistry (IHC), which has been used to detect antigens in cells of a tissue section using an immunoreaction between an antibody and an antigen, is a practical tool for identifying the type and stage of diseases in cancer diagnosis and scientific research. However, conventional IHC requires long, laborious process times and high costs. Although microfluidic IHC platforms have been developed to overcome these limitations, the application of microfluidic IHC in real-world environments is still limited due to the additional equipment needed to operate the microfluidic systems. In addition, continuous flow in a microfluidic channel leads to a waste of unbound antibodies. In this study, we demonstrate a novel and easy-to-use microfluidic IHC platform operated only using a manual pipette that is commonly available in research laboratories or hospitals. No other device such as a pump or a controller is required to operate our system. Bidirectional flows of the antibody solution in a microfluidic device are induced by repetitive manual pipetting which facilitates the enhanced antigen-antibody reaction and enables the effective use of a limited amount of antibody. When breast cancer cell and tissue sections are reacted with antibodies using our platform, pipetting for less than 2 min is sufficient to obtain immunostaining results without damaging the sample. The staining intensity by our method is similar to that of the sample stained for 1 h by a conventional batch process. We believe that this pipetting-based approach to the operation of a microfluidic system allows end users to use microfluidic IHC more conveniently and easily in real-world environments.
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 ».