MétaCan
Menu
Retour à la cohorte
Enregistrement W2969262325 · doi:10.1039/c9lc00541b

Microfluidic SlipChip device for multistep multiplexed biochemistry on a nanoliter scale

2019· article· en· W2969262325 sur OpenAlexfundno aff
Dmitriy V. Zhukov, Eugenia M. Khorosheva, Tahmineh Khazaei, Wenbin Du, David A. Selck, A.A. Shishkin, Rustem F. Ismagilov

Notice bibliographique

RevueLab on a Chip · 2019
Typearticle
Langueen
DomaineEngineering
ThématiqueInnovative Microfluidic and Catalytic Techniques Innovation
Établissements canadiensnon disponible
Organismes subventionnairesNational Institute of General Medical SciencesDonna and Benjamin M. Rosen Bioengineering Center, California Institute of TechnologyNatural Sciences and Engineering Research Council of CanadaCalifornia Institute of TechnologyNational Institutes of HealthNational Science Foundation
Mots-clésMicrofluidicsReagentMultiplexingScale (ratio)Sample (material)NanotechnologyMaterials scienceChromatographyAnalytical Chemistry (journal)ChemistryComputer scienceComputer hardwareTelecommunicationsPhysicsOrganic chemistry

Résumé

récupéré en direct d'OpenAlex

We have developed a multistep microfluidic device that expands the current SlipChip capabilities by enabling multiple steps of droplet merging and multiplexing. Harnessing the interfacial energy between carrier and sample phases, this manually operated device accurately meters nanoliter volumes of reagents and transfers them into on-device reaction wells. Judiciously shaped microfeatures and surface-energy traps merge droplets in a parallel fashion. Wells can be tuned for different volumetric capacities and reagent types, including for pre-spotted reagents that allow for unique identification of original well contents even after their contents are pooled. We demonstrate the functionality of the multistep SlipChip by performing RNA transcript barcoding on-device for synthetic spiked-in standards and for biologically derived samples. This technology is a good candidate for a wide range of biological applications that require multiplexing of multistep reactions in nanoliter volumes, including single-cell analyses.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict)
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 enseignants0,064
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

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 ouverte0,0000,000
Intégrité de la recherche0,0000,000
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 Opus0,011
Tête enseignante GPT0,238
Écart entre enseignants0,227 · 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 tête enseignante, pas un consensus.

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

Citations38
Publié2019
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueLab on a ChipMême sujetInnovative Microfluidic and Catalytic Techniques InnovationTravaux en français237 207