Shrinking microbubbles with microfluidics: mathematical modelling to control microbubble sizes
Notice bibliographique
Résumé
Microbubbles have applications in industry and life-sciences. In medicine, small encapsulated bubbles (< 10 μm) are desirable because of their utility in drug/oxygen delivery, sonoporation, and ultrasound diagnostics. While there are various techniques for generating microbubbles, microfluidic methods are distinguished due to their precise control and ease-offabrication. Nevertheless, sub-10 μm diameter bubble generation using microfluidics remains challenging, and typically requires expensive equipment and cumbersome setups. Recently, our group reported a microfluidic platform that shrinks microbubbles to sub-10 μm diameters. The microfluidic platform utilizes a simple microbubble-generating flow-focusing geometry, integrated with a vacuum shrinkage system, to achieve microbubble sizes that are desirable in medicine, and pave the way to eventual clinical uptake of microfluidically generated microbubbles. A theoretical framework is now needed to relate the size of the microbubbles produced and the system’s input parameters. In this manuscript, we characterize microbubbles made with various lipid concentrations flowing in solutions that have different interfacial tensions, and monitor the changes in bubble size along the microfluidic channel under various vacuum pressures. We use the physics governing the shrinkage mechanism to develop a mathematical model that predicts the resulting bubble sizes and elucidates the dominant parameters controlling bubble sizes. The model shows a good agreement with the experimental data, predicting the resulting microbubble sizes under different experimental input conditions. We anticipate that the model will find utility in enabling users of the microfluidic platform to engineer bubbles of specific sizes.
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) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 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 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 ».