Liquid NanoBiosensors Enable One‐Pot Electrochemical Detection of Bacteria in Complex Matrices
Notice bibliographique
Résumé
Abstract There is a need for point‐of‐care bacterial sensing and identification technologies that are rapid and simple to operate. Technologies that do not rely on growth cultures, nucleic acid amplification, step‐wise reagent addition, and complex sample processing are the key for meeting this need. Herein, multiple materials technologies are integrated for overcoming the obstacles in creating rapid and one‐pot bacterial sensing platforms. Liquid‐infused nanoelectrodes are developed for reducing nonspecific binding on the transducer surface; bacterium‐specific RNA‐cleaving DNAzymes are used for bacterial identification; and redox DNA barcodes embedded into DNAzymes are used for binding‐induced electrochemical signal transduction. The resultant single‐step and one‐pot assay demonstrates a limit‐of‐detection of 102 CFU mL−1, with high specificity in identifying Escherichia coli amongst other Gram positive and negative bacteria including Klebsiella pneumoniae, Staphylococcus aureus, and Bacillus subtilis. Additionally, this assay is evaluated for analyzing 31 clinically obtained urine samples, demonstrating a clinical sensitivity of 100% and specify of 100%. When challenging this assay with nine clinical blood cultures, E. coli‐positive and E. coli‐negative samples can be distinguished with a probability of p < 0.001.
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) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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) | 0,002 | 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 ».