Comparative study of serum sample preparation methods in aggregation-based plasmonic sensing
Notice bibliographique
Résumé
The use of nanoparticle-based colorimetric methods has received considerable attention in a broad range of clinical and biomedical applications due to their high sensitivity, low cost, extreme simplicity and excellent analytical performance. However, the formation of a protein corona has severely limited the application of nanoparticles (NPs) in clinical samples, which can confer colloidal stability to serum-exposed nanoparticles compared to pristine particles. To address this challenge, dialysis, ultrafiltration and phenol : chloroform : isopentanol extraction methods were compared aiming at facile and routine protein separation methods to eliminate the formation of protein corona on NPs and the development of a sensitive and simple therapeutic drug monitoring (TDM) assay for the detection of aminoglycoside antibiotics in serum. Based on the comparison of the sensitivity of the localized surface plasmon resonance (LSPR) aggregation assay in pure water, untreated serum and serum after the different sample preparation methods, we revealed by Coomassie blue staining that proteins in the serum were the predominant interfering molecules to degrade the sensitivity of serum-based aggregation assays. Using dialysis, naked eye semi-quantification was achieved at the clinical level for amikacin, tobramycin and streptomycin. The dialysis efficiency and dialysis coefficient of amikacin were also measured to prove the efficacy of dialysis as a fast and efficient protein-removal method. This strategy is expected to be applicable universally as a pretreatment for the assay of small molecules with plasmonic assays in crude biological samples.
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 | 0,003 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 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 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 ».