Detection of Sub-Nanomolar Concentration of Trypsin by Thickness-Shear Mode Acoustic Biosensor and Spectrophotometry
Notice bibliographique
Résumé
The determination of protease activity is very important for disease diagnosis, drug development, and quality and safety assurance for dairy products. Therefore, the development of low-cost and sensitive methods for assessing protease activity is crucial. We report two approaches for monitoring protease activity: in a volume and at surface, via colorimetric and acoustic wave-based biosensors operated in the thickness-shear mode (TSM), respectively. The TSM sensor was based on a β-casein substrate immobilized on a piezoelectric quartz crystal transducer. After an enzymatic reaction with trypsin, it cleaved the surface-bound β-casein, which increased the resonant frequency of the crystal. The limit of detection (LOD) was 0.48 ± 0.08 nM. A label-free colorimetric assay for trypsin detection has also been performed using β-casein and 6-mercaptohexanol (MCH) functionalized gold nanoparticles (AuNPs/MCH-β-casein). Due to the trypsin cleavage of β-casein, the gold nanoparticles lost shelter, and MCH increased the attractive force between the modified AuNPs. Consequently, AuNPs aggregated, and the red shift of the absorption spectra was observed. Spectrophotometric assay enabled an LOD of 0.42 ± 0.03 nM. The Michaelis–Menten constant, KM, for reverse enzyme reaction has also been estimated by both methods. This value for the colorimetric assay (0.56 ± 0.10 nM) is lower in comparison with those for the TSM sensor (0.92 ± 0.44 nM). This is likely due to the better access of the trypsin to the β-casein substrate at the surface of AuNPs in comparison with those at the TSM transducer.
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 ».