MétaCan
Menu
Retour à la cohorte
Enregistrement W2587492619 · doi:10.1039/c6lc01485b

Automating multi-step paper-based assays using integrated layering of reagents

2017· article· en· W2587492619 sur OpenAlexaff
Sana Jahanshahi‐Anbuhi, Balamurali Kannan, Kevin Pennings, M. Monsur Ali, Vincent Leung, Karen Giang, Jingyun Wang, Dawn White, Yingfu Li, Robert Pelton, John D. Brennan, Carlos D. M. Filipe

Notice bibliographique

RevueLab on a Chip · 2017
Typearticle
Langueen
DomaineEngineering
ThématiqueBiosensors and Analytical Detection
Établissements canadiensMcMaster University
Organismes subventionnairesnon disponible
Mots-clésLayeringComputer scienceComputational biologyReagentEngineeringChemistryBiology

Résumé

récupéré en direct d'OpenAlex

We describe a versatile and simple method to perform sequential reactions on paper analytical devices by stacking dry pullulan films on paper, where each film contains one or more reagents or acts as a delay layer. Exposing the films to an aqueous solution of the analyte leads to sequential dissolution of the films in a temporally controlled manner followed by diffusive mixing of the reagents, so that sequential reactions can be performed. The films can be easily arranged for lateral flow assays or for spot tests (reactions take place sequentially in the z-direction). We have tested the general feasibility of the approach using three different model systems to demonstrate different capabilities: 1) pH ramping from low to high and high to low to demonstrate timing control; 2) rapid ready-to-use two-step Simon's assays on paper for detection of drugs of abuse utilizing a 2-layer stack containing two different reagents to demonstrate the ability to perform assays in the z-direction; and 3) sequential cell lysing and colorimetric detection of an intracellular bacterial enzyme, to demonstrate the ability of the method to perform sample preparation and analysis in the form of a spot assay. Overall, these studies demonstrate the potential of stacked pullulan films as useful components to enable multi-step assays on simple paper-based devices.

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: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,875
Score d'incertitude au seuil0,413

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 Opus0,045
Tête enseignante GPT0,277
Écart entre enseignants0,232 · 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
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

Citations23
Publié2017
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueLab on a ChipMême sujetBiosensors and Analytical DetectionTravaux en français237 207