MétaCan
Menu
Retour à la cohorte
Enregistrement W3015005196 · doi:10.1101/2020.04.02.020453

Reagentless Biomolecular Analysis Using a Nanoscale Molecular Pendulum

2020· preprint· en· W3015005196 sur OpenAlexafffund
Jagotamoy Das, Surath Gomis, Jenise B. Chen, Hanie Yousefi, Sharif Ahmed, Alam Mahmud, Wendi Zhou, Edward H. Sargent, Shana O. Kelley

Notice bibliographique

RevuebioRxiv (Cold Spring Harbor Laboratory) · 2020
Typepreprint
Langueen
DomaineEngineering
ThématiqueAdvanced Chemical Sensor Technologies
Établissements canadiensUniversity of Toronto
Organismes subventionnairesNatural Sciences and Engineering Research Council of CanadaCanadian Institutes of Health Research
Mots-clésAnalyteNanotechnologyComputer scienceNanoscopic scaleMaterials scienceBiological systemChemistryChromatographyBiology

Résumé

récupéré en direct d'OpenAlex

Abstract The ability to sense biological inputs using self-contained devices unreliant on external reagents or reporters would open countless opportunities to collect information about our health and environment. Currently, a very limited set of molecular inputs can be detected using this type of sensor format. The development of versatile reagentless sensors that could track molecular analytes in biological fluids remains an unmet need. Here, we describe a new universal sensing mechanism that is compatible with the analysis of proteins that are important physiological markers of stress, allergy, cardiovascular health, inflammation and cancer. The sensing mechanism we developed is based on the measurement of field-induced directional diffusion of a nanoscale molecular pendulum tethered to an electrode surface and the sensitivity of electron-transfer reaction kinetics to molecular size. Using time-resolved electrochemical measurements of diffusional motion, the presence of an analyte bound to a sensor complex can be continuously tracked in real time. We show that this sensing approach is compatible with making measurements in blood, saliva, urine, tears and sweat and that the sensors can collect data in situ in living animals. The sensor platform described enables a broad range of applications in personalized health monitoring.

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 enseignants0,138
Score d'incertitude au seuil0,999

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0010,002
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0010,001
Intégrité de la recherche0,0010,001
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 Opus0,014
Tête enseignante GPT0,219
Écart entre enseignants0,205 · 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

Citations6
Publié2020
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revuebioRxiv (Cold Spring Harbor Laboratory)Même sujetAdvanced Chemical Sensor TechnologiesTravaux en français237 207