Extracellular Vesicle (EV) Dot Blotting for Multiplexed EV Protein Detection in Complex Biofluids
Notice bibliographique
Résumé
Extracellular vesicles (EVs) are nanoscale vesicles secreted from cells, carrying biomolecular cargos similar to their cells of origin. Measuring the protein content of EVs in biofluids can offer a crucial insight into human health and disease. For example, detecting tumor-derived EVs’ protein markers can aid in early diagnosis of cancer, which is life-saving. In order to use these EV proteins for diagnosis, sensitive and multiplexed methods are required. The current methods for EV protein detection typically require large sample consumption due to challenges with sensitivity and often need an EV isolation step for complex biofluid samples such as blood plasma. In this work, we have developed a simple and sensitive method for multiplexed detection of protein markers on EV membrane surfaces, which we call “EV dot blotting”, inspired by conventional dot blotting techniques. After optimization of multiple factors such as antibody concentration, blocking reagent, type of 3D membranes, and use of gold nanoparticles for signal enhancement, cancer-cell-derived EVs were spiked in pooled normal human plasma for conducting a multiplexed assay in a microarray format. Without the need of isolating EVs from blood plasma, a limit of detection of 3.1 × 105 EVs/mL or 1863 EVs/sample was achieved for CD9 protein, 4.7 × 104 EVs/mL or 281 EVs/sample for CD24, and 9.0 × 104 EVs/mL or 538 EVs/sample for EpCAM, up to 4 orders of magnitude lower than those of conventional ELISA. This platform offers sensitive, multiplexed, simple, and low-cost EV protein detection directly from complex biofluids with minimal sample consumption, providing a useful tool for multiplexed EV protein quantification for a variety of applications.
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 ».