Ultrafast Detection of SARS-CoV-2 Spike Protein (S) and Receptor-Binding Domain (RBD) in Saliva Using Surface-Enhanced Raman Spectroscopy
Notice bibliographique
Résumé
Controlling contagious diseases necessitates using diagnostic techniques that can detect infection in the early stages. Although different diagnostic tools exist, there are still challenges related to accuracy, rapidity, cost-effectiveness, and ease of use. Surface-enhanced Raman spectroscopy (SERS) is a rapid, simple, less expensive, and accurate method. We continue our previous work published on SERS detection of the SARS-CoV-2 receptor-binding domain (RBD) in water. In this work, we replace water with saliva to detect SARS-CoV-2 proteins at very low concentrations and during a very short time. We prepared a very low concentration of 10−9 M SARS-CoV-2 spike protein (S) and SARS-CoV-2 receptor-binding domain (RBD) in saliva to mimic a real case scenario. Then, we drop them on a SERS substrate. Using modified SERS measurements on the control and the sample containing the biomolecules, confirmed the sensitivity of the target identification. This technique provides different diagnostic solutions that are fast, simple, non-destructive and ultrasensitive. Simulation of the real-world of silicon wire covered with silver and gold, were performed using an effective and accurate tool, COMSOL Multiphysics software, for the enhancement properties study.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| 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 source (Gemma direct ou Codex distillé), 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 ».