Surface plasmon resonance imaging enhanced by dielectrophoresis and AC-electroosmosis
Notice bibliographique
Résumé
Surface Plasmon Resonance (SPR) biosensors are standard tools for chemical and biological sensing. They provide sensitive, real-time and label-free detection of biological species in fluids. However, their performance (time and detection threshold) is now close to the theoretical limit. In particular, at low target concentrations, sensitivity is limited by the diffusion of the target analyte to the sensor surface. To overcome the diffusion limit, non-uniform electric fields can be used to induce electrokinetic effects (dielectrophoresis and alternative-current electroosmosis) which attract analytes toward the surface sensing zone. This work proposes to pattern the gold film used for SPR detection and use it as electrodes for the electric field generation. The magnitude of the electrokinetic effects and resulting analyte trapping efficiency of different electrodes designs were studied numerically with COMSOL by modeling the dielectrophoretic and drag forces induced by the AC-electroosmotic flow. A biochip, which consists of a structured gold film on a glass substrate, was mounted in the SPR Kretschmann configuration in contact with a fluidic cell to enable the injection of analyte and rinsing solutions. SPR imaging allowed us to compare the spatial distribution of the SPR response both a planar metal zone similar to a conventional SPR sensor as well as on the electrodes. After microbeads injection into the fluidic cell and application an AC voltage (V=1V<sub>pp</sub>, f=1kHz), a strong SPR signal jump was observed due to the analyte’s arrival on the sensing zone. As a result of the electrokinetic effects, the detection threshold of mass transport assisted SPR chips was improved by several orders of magnitude.
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 | 0,001 |
| 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 ».