Investigating the effect of phospholipids on droplet formation and surface property evolution in microfluidic devices for droplet interface bilayer (DIB) formation
Notice bibliographique
Résumé
Despite growing interest in droplet microfluidic methods for droplet interface bilayer (DIB) formation, there is a dearth of information regarding how phospholipids impact device function. Limited characterization has been carried out for phospholipids, either computationally (in silico) or experimentally (in situ) in polydimethylsiloxane (PDMS) microfluidic devices, despite recent work providing a better understanding of how other surfactants behave in microfluidic systems. Hence, microfluidic device design for DIB applications relies heavily on trial and error, with many assumptions made about the impact of phospholipids on droplet formation and surface properties. Here, we examine the effects of phospholipids on interfacial tension, droplet formation, wetting, and hence device longevity, using DPhPC as the most widely used lipid for DIB formation. We use a customized COMSOL in silico model in comparison with in situ experimental data to establish that the stabilization of droplet formation seen when the lipid is dosed in the aqueous phase (lipid-in) or in the oil phase (lipid-out) is directly dependent on the effects of lipids on the device surface properties, rather than on how fast they coat the droplet. Furthermore, we establish a means to visually characterize surface property evolution in the presence of lipids and explore rates of device failure in the absence of lipid, lipid-out, and lipid-in. This first exploration of the effects of lipids on device function may serve to inform the design of microfluidic devices for DIB formation as well as to troubleshoot causes of device failure during microfluidic DIB experiments.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 ».