Selective and High Dynamic Range Assay Format for Multiplex Detection of Pathogenic <i>Pseudomonas aeruginosa</i>, <i>Salmonella typhimurium</i>, and <i>Legionella pneumophila</i> RNAs Using Surface Plasmon Resonance Imaging
Notice bibliographique
Résumé
Due to its well-characterized and highly conserved structure, as well as its relative abundance in metabolically active cells, bacterial 16S rRNA sequence plays an important role in microbial identification. In this work, a biosensing strategy has been developed for simultaneous detection of 16S rRNA analytes of three pathogenic bacterial strains: Legionella pneumophila, Pseudomonas aeruginosa, and Salmonella typhimurium . Surface plasmon resonance imaging (SPRi) was used as a detection technique coupled with DNA probe sandwich assemblies and gold nanoparticles (GNPs) for signal amplification. The targets 16S rRNA were selectively captured at the interface of the biosensor by surface-bound DNA probes through a hybridization process. GNP-grafted DNA detection probes were then introduced and were hybridized with a defined 16S rRNA region on the long DNA–RNA sandwich assemblies, resulting in a significant increase of the SPR signal. The results demonstrated the successful implementation of this strategy for detecting 16S rRNA sequences in total RNA mixed samples extracted from the three pathogenic strains at a concentration down to 10 pg mL –1 with a large dynamic range of 0.01–100 ng mL –1 and high selectivity. Since no particular optimization of the probe design was applied, this method should be relatively easy to adapt for quantification of a wide range of bacteria in various liquids.
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 ».