An Interface–Particle Interaction Approach for Evaluation of the Co-Encapsulation Efficiency of Cells in a Flow-Focusing Droplet Generator
Notice bibliographique
Résumé
Droplet-based microfluidics offers significant advantages, such as high throughput and scalability, making platforms based on this technology ideal candidates for point-of-care (POC) testing and clinical diagnosis. However, the efficiency of co-encapsulation in droplets is suboptimal, limiting the applicability of such platforms for the biosensing applications. The homogeneity of the bioanalytes in the droplets is an unsolved problem. While there is extensive literature on the experimental setups and active methods used to increase the efficiency of such platforms, passive techniques have received less attention, and their fundamentals have not been fully explored. Here, we develop a novel passive technique for investigating cell encapsulation using the finite element method (FEM). The level set method was used to track the interfaces of forming droplets. The effects of walls and the droplet interfaces on relatively large cells were calculated to track them more accurately during encapsulation. The static surface tension force was used to account for the effects of the interfaces on cells. The results revealed that the pairing efficiency is highly sensitive to the standard deviation (SD) of the distance between the cells in the entrance channel. The pairing efficiency prediction error of our model differed by less than 5% from previous experiments. The proposed model can be used to evaluate the performance of droplet-based microfluidic devices to ensure higher precision for co-encapsulation of cells.
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 | 0,000 |
| 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 | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 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 ».