On-chip dielectrophoretic device for cancer cell manipulation: A numerical and artificial neural network study
Notice bibliographique
Résumé
Breast cancer, as one of the most frequent types of cancer in women, imposes large financial and human losses annually. MCF-7, a well-known cell line isolated from the breast tissue of cancer patients, is usually used in breast cancer research. Microfluidics is a newly established technique that provides many benefits, such as sample volume reduction, high-resolution operations, and multiple parallel analyses for various cell studies. This numerical study presents a novel microfluidic chip for the separation of MCF-7 cells from other blood cells, considering the effect of dielectrophoretic force. An artificial neural network, a novel tool for pattern recognition and data prediction, is implemented in this research. To prevent hyperthermia in cells, the temperature should not exceed 35 °C. In the first part, the effect of flow rate and applied voltage on the separation time, focusing efficiency, and maximum temperature of the field is investigated. The results denote that the separation time is affected by both the input parameters inversely, whereas the two remaining parameters increase with the input voltage and decrease with the sheath flow rate. A maximum focusing efficiency of 81% is achieved with a purity of 100% for a flow rate of 0.2μL/min and a voltage of 3.1V. In the second part, an artificial neural network model is established to predict the maximum temperature inside the separation microchannel with a relative error of less than 3% for a wide range of input parameters. Therefore, the suggested label-free lab-on-a-chip device separates the target cells with high-throughput and low voltages.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 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 | 0,000 | 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 ».