SIZE-CONTROLLED DROPLET GENERATION IN A MICROFLUIDIC DEVICE FOR RARE DNA AMPLIFICATION BY OPTIMIZING ITS EFFECTIVE PARAMETERS
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Versatility and portability of microfluidic devices play a dominant role in their widespread use by researchers. Droplet-based microfluidic devices have been extensively used due to their precise control over sample volume, and ease of manipulating and addressing each droplet on demand. Droplet-based polymerase chain reaction (PCR) devices are particularly desirable in single DNA amplification. If the droplets are small enough to contain only one DNA molecule, single molecule amplification becomes possible, which can be advantageous in several cases such as early cancer detection. In this work, flow-focusing microfluidic droplet generation’s parameters are numerically investigated and optimized for generating the smallest droplet possible, while considering fabrication limits. Taguchi design of experiment method is used to study the effects of key parameters in droplet generation. By exploiting this approach, a droplet with a radius of 111[Formula: see text]nm is generated using a 3[Formula: see text][Formula: see text]m orifice. Since the governing physics of the droplet generation process is not totally understood yet, by means of analysis of variance (ANOVA) analysis, a generalized linear model (GLM) is proposed to predict the droplet radius, given the values of eight major parameters affecting the droplet size. The proposed model shows a correlation of 95.3% and 64.95% for droplets of radius greater than and lower than 5[Formula: see text][Formula: see text]m, respectively. Finally, the source of this variation of behavior in different size scales is identified.
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.
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 | 0,002 | 0,001 |
| 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 découle