(Invited) Development of New Strategies for Bringing Photoelectrochemical Biosensing to the Point-of-Need
Notice bibliographique
Résumé
Photoelectrochemistry combines light excitation with electrochemical readout for lowering the bias voltage needed for performing electrochemical reactions. As a result, when used in biosensing, photoelectrochemical signal readout reduces the background signals, lowering the limit-of-detection of such biosensors. To enable photoelectrochemical (PEC) signal readout to be applied to point-of-need biosensing, we have taken a three tiered approach focused on improving the understanding of signal transduction in PEC Biosensing, developing label-free assays, and creating handheld readout platforms. In this work, we developed a system using DNA as a nano-ruler to control the distance between plasmonic nanoparticles and PEC electrodes. This system was used to rationally-design PEC material systems for signal-on biosensing. Using this materials architecture, we developed a signal-on biosensor without target labeling for detecting DNA hybridization. This assay uses sequential DNA hybridization to generate a PEC signal. First, the DNA target is captured on probe-modified photoelectrodes. This is followed by hybridization of the unbound probes with DNA strands modified with plasmonic labels. The plasmonic label modulates the PEC signal, increasing the measured PEC current at low target concentrations. To enable biosensing at the point-of-need, we also developed a handheld PEC reader. The integration of plasmonic nanoparticles with PEC electrodes, label-free DNA assays, and handheld PEC readout paves the way toward bringing point-of-need PEC Biosensing.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,032 | 0,021 |
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 ».