(Invited) Surface Functionalization of Graphene Field-Effect Transistors for Biosensing Applications
Notice bibliographique
Résumé
Graphene field-effect transistors (GFETs) present beneficial features for their application as biomolecular or chemical sensors. Due to their atomically-thin 2D dimensionality, their high electrical conductance is particularly sensitive to small changes in the distribution of charged species near the graphene surface. Taking advantage of this property, GFET sensors have been designed to report the detection or quantitation of various types of biologically-relevant molecular analytes such as nucleic acids, proteins, ions or small molecules. By analyzing data from published literature on GFET bioanalytical sensors, we have recently shown that the detection metrics of such sensors vary enormously between studies, and argued that this variance is mainly driven by disparities in the bio-recognition interface [1]. Indeed, the selectivity of GFET sensors must be engineered, typically by covering the graphene surface with biological molecules having a specific affinity for the chosen analyte (e.g. antibodies to capture the corresponding antigen, ssDNA to capture its complementary sequence). Yet, the coverage, orientation, stability and interactions between immobilized probes, blocking species and captured analytes are often not well known or controlled. In this presentation, I will discuss our efforts to understand and regulate the surface functionalization of graphene field-effect transistors. Using electrical conductance measurements and Raman spectroscopy, I will characterize the response of devices to both covalent chemistry, using aryldiazonium reagents, and non-covalent chemistry, using pyrene derivatives. I will describe our recent developments in controlling these functionalization routes, and compare their use for further bioconjugation with molecular probes for bioanalytical purposes. [1] A. Béraud, M. Sauvage, C. M. Bazán, M. Tie, A. Bencherif and D. Bouilly. Graphene Field-Effect Transistors as Bioanalytical Sensors: Design, Operation and Performance. Analyst 146, 403-428 (2021) https://doi.org/10.1039/D0AN01661F
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) | 0,001 | 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 | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,018 | 0,011 |
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 ».