MétaCan
Menu
Retour à la cohorte
Enregistrement W2761942854 · doi:10.1021/acssensors.7b00482

Tuning the Gold Nanoparticle Colorimetric Assay by Nanoparticle Size, Concentration, and Size Combinations for Oligonucleotide Detection

2017· article· en· W2761942854 sur OpenAlexfundno aff
Varsha Sanjay Godakhindi, Peiyuan Kang, Maud Serre, Naga Aravind Revuru, Jesse Minghao Zou, Michael R. Roner, Ruth Levitz, Jeffrey S. Kahn, Jaona Randrianalisoa, Zhenpeng Qin

Notice bibliographique

RevueACS Sensors · 2017
Typearticle
Langueen
DomaineMaterials Science
ThématiqueGold and Silver Nanoparticles Synthesis and Applications
Établissements canadiensnon disponible
Organismes subventionnairesDivision of Advanced CyberinfrastructureUniversity of Toronto
Mots-clésNanoparticleDetection limitChemistryColloidal goldParticle sizeBiophysicsChromatographyNanotechnologyAnalytical Chemistry (journal)Materials scienceBiology

Résumé

récupéré en direct d'OpenAlex

Gold nanoparticle (GNP)-based aggregation assay is simple, fast, and employs a colorimetric detection method. Although previous studies have reported using GNP-based colorimetric assay to detect biological and chemical targets, a mechanistic and quantitative understanding of the assay and effects of GNP parameters on the assay performance is lacking. In this work, we investigated this important aspect of the GNP aggregation assay including effects of GNP concentration and size on the assay performance to detect malarial DNA. Our findings lead us to propose three major competing factors that determine the final assay performance including the nanoparticle aggregation rate, plasmonic coupling strength, and background signal. First, increasing nanoparticle size reduces the Brownian motion and thus aggregation rate, but significantly increases plasmonic coupling strength. We found that larger GNP leads to stronger signal and improved limit of detection (LOD), suggesting a dominating effect of plasmonic coupling strength. Second, higher nanoparticle concentration increases the probability of nanoparticle interactions and thus aggregation rate, but also increases the background extinction signal. We observed that higher GNP concentration leads to stronger signal at high target concentrations due to higher aggregation rate. However, the fact the optimal LOD was found at intermediate GNP concentrations suggests a balance of two competing mechanisms between aggregation rate and signal/background ratio. In summary, our work provides new guidelines to design GNP aggregation-based POC devices to meet the signal and sensitivity needs for infectious disease diagnosis and other applications.

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)0,002
score de la tête « metaresearch » (Gemma)0,003
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: Empirique
Score de désaccord entre enseignants0,002
Score d'incertitude au seuil0,010

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0020,003
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0010,000
Études des sciences et des technologies0,0000,001
Communication savante0,0010,001
Science ouverte0,0010,001
Intégrité de la recherche0,0010,001
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 Opus0,016
Tête enseignante GPT0,250
Écart entre enseignants0,234 · 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

Citations35
Publié2017
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueACS SensorsMême sujetGold and Silver Nanoparticles Synthesis and ApplicationsTravaux en français237 207