Precise DNA Concentration Measurements with Nanopores by Controlled Counting
Notice bibliographique
Résumé
Using a solid-state nanopore to measure the concentration of clinically relevant target analytes, such as proteins or specific DNA sequences, is a major goal of nanopore research. This is usually achieved by measuring the capture rate of the target analyte through the pore. However, progress is hindered by sources of systematic error that are beyond the level of control currently achievable with state-of-the-art nanofabrication techniques. In this work, we show that the capture rate process of solid-state nanopores is subject to significant sources of variability, both within individual nanopores over time and between different nanopores of nominally identical size, which are absent from theoretical electrophoretic capture models. We experimentally reveal that these fluctuations are inherent to the nanopore itself and make nanopore-based molecular concentration determination insufficiently precise to meet the standards of most applications. In this work, we present a simple method by which to reduce this variability, increasing the reliability, accuracy, and precision of single-molecule nanopore-based concentration measurements. We demonstrate controlled counting, a concentration measurement technique, which involves measuring the simultaneous capture rates of a mixture of both the target molecule and an internal calibrator of precisely known concentration. Using this method on linear DNA fragments, we show empirically that the requirements for precisely controlling the nanopore properties, including its size, height, geometry, and surface charge density or distribution, are removed while allowing for higher-precision measurements. The quantitative tools presented herein will greatly improve the utility of solid-state nanopores as sensors of target biomolecule concentration.
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 ».