(Invited) Nanosurface Fluidic Devices for Electrochemical Sensing and Biosensing
Notice bibliographique
Résumé
Diagnostics of pathogenic and genetic disease (such as cancer) at the point of need, in particular at early-stage, requires dynamic manipulation and concentration of a small number of target molecules at individual single-molecule level, which currently limit microfluidic technologies. In my lab, we focus on engineering of new approaches in lab-on-chip technology via synergistically combining nanostructured materials with fluidic sample delivery systems to enhance the sensitivity and selectivity of the detection. Nanostructured materials boost the sensor resolution and show higher biochemical sensitivity and selectivity by significant amplification of the detection sites. We investigate 1) fabrication of novel nanostructured platforms based on 3D materials such as gold and 2D materials such as graphene and molybdenum disulfide, 2) integration of nanostructures with fluid sample delivery and biological assays (based on DNA/antibody) and 3) implementation of the device for detection of small molecules, pathogenic disease, and cancer genomics. In this regard, we address fundamental questions including: optimal interface of nanostructures with fluidic devices; target isolation, preparation and concentration in fluidic devices. We have successfully implemented the nanosurface fluidic devices for rapid and quantitative detection of bacteria such as Escherichia coli (E.coli) and Methicillin-resistant Staphylococcus aureus (MRSA), electrochemical detection of small molecules such as Dopamine and optical detection of extracellular vesicles (EVs).
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,027 | 0,014 |
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 source (Gemma direct ou Codex distillé), 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 ».