Single-Nanoparticle Differential Immunoassay for Multiplexed Gastric Cancer Biomarker Monitoring
Notice bibliographique
Résumé
Precision medicine demands the best application of multiple unambiguous biomarkers to bring uniform decisions in disease prognosis. The remarkable development of heterogeneous immunoassay greatly promotes precision medicine when combined with the biomarker combination strategy. Nevertheless, the cumbersome washing steps in heterogeneous immunoassay have inevitably compromised the accuracy because of the sample losses and nature change of the matrix, challenging the further exploration of a more facile and lower limit-of-detection analysis. The new methodologies with high throughputs and specificity are never out of date to provide simultaneous evaluations and uniform decisions on multiple analytes through a simple process. Herein, we propose a new wash-free immunoassay, named differential assay, for multiplexed biomarker monitoring. The method is based on counting the number difference of unbound nanoparticle tags before and after immunoreactions from a solid support (i.e., magnetic microsphere) by single-particle inductively coupled plasma mass spectrometry (sp-ICP-MS), discarding the tedious washing steps. We primarily explore the proof-of-concept proposal within two types (sandwich and competitive assay), demonstrating the good feasibility for further facile clinical practice. To provide efficient multiplexed evaluations, we synthesized PtNPs with four diameters and screened the most suitable size for efficient differential immunoassay. The wash-free strategy was successfully utilized in simultaneous serological biomarker (CA724, CA199, and CEA) evaluation, with results in good accordance with those measured by the clinical routine method. Potentially, the proposed differential bioassay can be regarded as a more facile and valuable tool in malignancy prognosis and cancer recurrence monitoring.
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) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».