Influence of ionic constituents and electrical conductivity on the propagation of charged nanoscale objects in passivated gel electrophoresis
Notice bibliographique
Résumé
When determining the electric field E acting on charged objects in gel electrophoresis, the electrical conductivity of the buffer solution is often overlooked; E is typically calculated by dividing the applied voltage by a separation distance between electrodes. However, as a consequence of electrolytic reactions, which occur at the electrodes, gradients in the ionic content of the buffer solution and its conductivity can potentially develop over time, thereby impacting E and affecting propagation velocities of charged objects, v, directly. Here, we explore how the types and concentrations of ionic constituents of the buffer solution, which largely control its conductivity, when used in passivated gel electrophoresis (P-gelEP), can influence E, thereby altering v of charged nanospheres propagating through large-pore gels. We measure the conductivity of the buffer solution in the center of the gel region near propagating bands of nanospheres, and we show that predictions of E based on conductivity closely correlate with v. We also explore P-gelEP involving two different types of passivation agents: nonionic polyethylene glycol (PEG) and anionic sodium dodecyl sulfate (SDS). Our observations indicate that using a conductivity model to determine E from the local current density and the conductivity where spheres are propagating can lead to a better estimate than the standard approach of a voltage divided by a separation. Moreover, this conductivity model also provides a starting point for interpreting the complex behavior created by amphiphilic ionic passivation agents, such as SDS, on propagating nanospheres used in some P-gelEP experiments.
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 ».