Picoliter agar droplet breakup in microfluidics meets microbiology application: numerical and experimental approaches
Notice bibliographique
Résumé
Droplet microfluidics has provided lab-on-a-chip platforms with the capability of bacteria encapsulation in biomaterials, controlled culture environments, and live monitoring of growth and proliferation. The droplets are mainly generated from biomaterials with temperature dependent gelation behavior which necessitates stable and size-controlled droplet formation within microfluidics. Here, the biomaterial is agar hydrogel with a non-Newtonian response at operating temperatures below 40 °C, the upper-temperature threshold for cells and pathogens. The size of the produced droplets and the formation regimes are examined when the agar is injected at a constant temperature of 37 °C with agar concentrations of 0.5%, 1%, and 2% and different flow rate ratios of the dispersed phase to the continuous phase (φ: 0.1 to 1). The numerical simulations show that φ and the capillary number (Ca) are the key parameters controlling the agar droplet size and formation regime, from dripping to jetting. Also, increasing the agar concentration produces smaller droplets. The simulation data were validated against experimental agar droplet generation and transport in microfluidics. This work helps to understand the physics of droplet generation in droplet microfluidic systems operating with non-Newtonian fluids. Pathogenic bacteria were successfully cultured and monitored in high resolution in agar droplets for further research in antibiotic susceptibility testing in bacteremia and urinary tract infection.
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 ».