MétaCan
Menu
Retour à la cohorte
Enregistrement W3164794336 · doi:10.1109/jeds.2021.3082420

Electrolyte-Gated Field Effect Transistors in Biological Sensing: A Survey of Electrolytes

2021· article· en· W3164794336 sur OpenAlexafffund
Guan Ying Wang, Keryn Lian, Ta‐Ya Chu

Notice bibliographique

RevueIEEE Journal of the Electron Devices Society · 2021
Typearticle
Langueen
DomaineChemical Engineering
ThématiqueAnalytical Chemistry and Sensors
Établissements canadiensNational Research Council CanadaUniversity of Toronto
Organismes subventionnairesNational Research Council CanadaNatural Sciences and Engineering Research Council of CanadaGovernment of Ontario
Mots-clésElectrolyteBiosensorMaterials scienceNanotechnologyFabricationTransistorPolymer electrolytesField-effect transistorComputer scienceElectrodeVoltageElectrical engineeringIonic conductivityChemistryEngineering

Résumé

récupéré en direct d'OpenAlex

Low operating voltages, rapid response, and high-throughput fabrication compatibility are key advantages for the development of electrolyte-gated field effect transistors (EGFETs) for biological sensing. Among the key components in EGFET biosensors, electrolyte materials are relatively less investigated, especially alternatives to water-based liquid electrolytes such as ionic liquids, ion gels, polyelectrolytes, and solid polymer electrolytes. These electrolytes enable portable devices and environmental stability superior to their water-based liquid alternatives. In this review, we offer an up-to-date evaluation of the state of EGFET research and gauge the strengths and limitations of high-performance electrolytes for use in EGFET biosensor applications as well as the potential for computer-aided design of such sensing platforms. The recent progress of EGFET biosensors for some popular analytes are reviewed and the performance of these alternative electrolytes in transistor biosensing is assessed. The challenges and opportunities for electrolytes in EGFETs are discussed for future research directions in this field.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,001
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,005
Score d'incertitude au seuil0,576

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0000,001
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,015
Tête enseignante GPT0,251
Écart entre enseignants0,236 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeExpérimental (laboratoire)
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations33
Publié2021
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueIEEE Journal of the Electron Devices SocietyMême sujetAnalytical Chemistry and SensorsTravaux en français237 207