MétaCan
Menu
Retour à la cohorte
Enregistrement W2883384123 · doi:10.1039/c8lc00458g

Capillary microfluidics in microchannels: from microfluidic networks to capillaric circuits

2018· review· en· W2883384123 sur OpenAlexafffund
Ayokunle O. Olanrewaju, Maïwenn Beaugrand, Mohamed Yafia, David Juncker

Notice bibliographique

RevueLab on a Chip · 2018
Typereview
Langueen
DomaineEngineering
ThématiqueMicrofluidic and Capillary Electrophoresis Applications
Établissements canadiensMcGill UniversityMcGill University and Génome Québec Innovation Centre
Organismes subventionnairesFonds de Recherche du Québec - SantéCanadian Institutes of Health ResearchNatural Sciences and Engineering Research Council of CanadaMitacs
Mots-clésMicrofluidicsMicrochannelCapillary actionNanotechnologyMaterials science

Résumé

récupéré en direct d'OpenAlex

Microfluidics offer economy of reagents, rapid liquid delivery, and potential for automation of many reactions, but often require peripheral equipment for flow control. Capillary microfluidics can deliver liquids in a pre-programmed manner without peripheral equipment by exploiting surface tension effects encoded by the geometry and surface chemistry of a microchannel. Here, we review the history and progress of microchannel-based capillary microfluidics spanning over three decades. To both reflect recent experimental and conceptual progress, and distinguish from paper-based capillary microfluidics, we adopt the more recent terminology of capillaric circuits (CCs). We identify three distinct waves of development driven by microfabrication technologies starting with early implementations in industry using machining and lamination, followed by development in the context of micro total analysis systems (μTAS) and lab-on-a-chip devices using cleanroom microfabrication, and finally a third wave that arose with advances in rapid prototyping technologies. We discuss the basic physical laws governing capillary flow, deconstruct CCs into basic circuit elements including capillary pumps, stop valves, trigger valves, retention valves, and so on, and describe their operating principle and limitations. We discuss applications of CCs starting with the most common usage in automating liquid delivery steps for immunoassays, and highlight emerging applications such as DNA analysis. Finally, we highlight recent developments in rapid prototyping of CCs and the benefits offered including speed, low cost, and greater degrees of freedom in CC design. The combination of better analytical models and lower entry barriers (thanks to advances in rapid manufacturing) make CCs both a fertile research area and an increasingly capable technology for user-friendly and high-performance laboratory and diagnostic tests.

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)0,001
score de la tête « metaresearch » (Gemma)0,002
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Synthèse · Signal consensuel: Synthèse
Score de désaccord entre enseignants0,003
Score d'incertitude au seuil0,015

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,002
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0010,002
Études des sciences et des technologies0,0010,004
Communication savante0,0030,004
Science ouverte0,0010,002
Intégrité de la recherche0,0020,003
Charge utile insuffisante (le modèle a refusé de juger)0,0020,001

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 Opus0,022
Tête enseignante GPT0,250
Écart entre enseignants0,228 · 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'étudeSans objet
Domainenon disponible
GenreSynthèse

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations446
Publié2018
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueLab on a ChipMême sujetMicrofluidic and Capillary Electrophoresis ApplicationsTravaux en français237 207