Comparison of sample preparation methods for rare cell isolation in microfluidic devices
Notice bibliographique
Résumé
The analysis of circulating tumor cells (CTCs) is important for cancer diagnosis and prognosis. Microfluidics has been employed for CTC analysis due to its scaling advantages and high performance. However, pre-analytical methods for CTC sample preparation are often combined with microfluidic platforms because a large sample volume is required to detect extremely rare CTCs. Among pre-analytical methods, Ficoll-Paque™, OncoQuick™, and RosetteSep™ are commonly used to separate cells of interest. To compare their performance, we spiked L3.6pl pancreatic cancer cells into healthy blood samples and then employed each technique to prepare blood samples, followed by using a microfluidic platform to capture and detect L3.6pl cells. We found these three methods have similar performance, though the slight edge of RosetteSep™ over Ficoll-Paque™ is statistically significant. We also studied the effects of the tumor cell concentrations on the performance of the frequently used Ficoll-Paque™ method. Furthermore, we examined the repeatability and variability of each pre-analytical technique and the microfluidics-enabled detection. This study will provide researchers and clinicians with comparative data that can influence the choice of sample preparation method, help estimate CTC loss in each pre-analytical method, and correlate the results of clinical studies that employ different techniques.
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 ».