Biofunctionalization of Multiplexed Silicon Photonic Biosensors
Notice bibliographique
Résumé
Silicon photonic (SiP) sensors offer a promising platform for robust and low-cost decentralized diagnostics due to their high scalability, low limit of detection, and ability to integrate multiple sensors for multiplexed analyte detection. Their CMOS-compatible fabrication enables chip-scale miniaturization, high scalability, and low-cost mass production. Sensitive, specific detection with silicon photonic sensors is afforded through biofunctionalization of the sensor surface; consequently, this functionalization chemistry is inextricably linked to sensor performance. In this review, we first highlight the biofunctionalization needs for SiP biosensors, including sensitivity, specificity, cost, shelf-stability, and replicability and establish a set of performance criteria. We then benchmark biofunctionalization strategies for SiP biosensors against these criteria, organizing the review around three key aspects: bioreceptor selection, immobilization strategies, and patterning techniques. First, we evaluate bioreceptors, including antibodies, aptamers, nucleic acid probes, molecularly imprinted polymers, peptides, glycans, and lectins. We then compare adsorption, bioaffinity, and covalent chemistries for immobilizing bioreceptors on SiP surfaces. Finally, we compare biopatterning techniques for spatially controlling and multiplexing the biofunctionalization of SiP sensors, including microcontact printing, pin- and pipette-based spotting, microfluidic patterning in channels, inkjet printing, and microfluidic probes.
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 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
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 ».