MétaCan
Menu
Retour à la cohorte
Enregistrement W2888094500 · doi:10.1039/c8lc00733k

In-droplet microparticle washing and enrichment using surface acoustic wave-driven acoustic radiation force

2018· article· en· W2888094500 sur OpenAlexaff
Jinsoo Park, Ghulam Destgeer, Hyoungsoo Kim, Yeunwoo Cho, Hyung Jin Sung

Notice bibliographique

RevueLab on a Chip · 2018
Typearticle
Langueen
DomaineEngineering
ThématiqueMicrofluidic and Bio-sensing Technologies
Établissements canadiensKootenay Association for Science & Technology
Organismes subventionnairesKorea Advanced Institute of Science and TechnologyKorea Polar Research InstituteNational Research Foundation of Korea
Mots-clésAcoustic radiation forceMicroparticleAcousticsSurface acoustic waveAcoustic radiationRadiationAcoustic waveMaterials scienceEnvironmental sciencePhysicsOpticsUltrasound

Résumé

récupéré en direct d'OpenAlex

Washing and enrichment of particles and cells are crucial sample preparation procedures in biomedical and biochemical assays. On-chip in-droplet microparticle washing and enrichment have been pursued but remained problematic due to technical difficulties, especially simultaneous and precise control over the droplet interface and in-droplet samples. Here, we have achieved a breakthrough in label-free, continuous, on-demand, in-droplet microparticle washing and enrichment using surface acoustic waves. When exposed to the acoustic field, the droplet and suspended particles experience acoustic radiation force arising from inhomogeneous wave scattering at the liquid/liquid and liquid/solid interfaces. Based on these acoustophoretic phenomena, we have demonstrated in-droplet microparticle washing and enrichment in an acoustofluidic device. We expect that the proposed acoustic method will offer new perspectives to sample washing and enrichment by performing the operation in microscale droplets.

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)0,000
score de la tête « metaresearch » (Gemma)0,000
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 enseignants0,001
Score d'incertitude au seuil0,003

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0010,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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 GPT0,229
Écart entre enseignants0,212 · 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

Citations61
Publié2018
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueLab on a ChipMême sujetMicrofluidic and Bio-sensing TechnologiesTravaux en français237 207