Highly efficient cell-microbead encapsulation using dielectrophoresis-assisted dual-nanowell array
Notice bibliographique
Résumé
Recent advancements in micro/nanofabrication techniques have led to the development of portable devices for high-throughput single-cell analysis through the isolation of individual target cells, which are then paired with functionalized microbeads. Compared with commercially available benchtop instruments, portable microfluidic devices can be more widely and cost-effectively adopted in single-cell transcriptome and proteome analysis. The sample utilization and cell pairing rate (∼33%) of current stochastic-based cell-bead pairing approaches are fundamentally limited by Poisson statistics. Despite versatile technologies having been proposed to reduce randomness during the cell-bead pairing process in order to statistically beat the Poisson limit, improvement of the overall pairing rate of a single cell to a single bead is typically based on increased operational complexity and extra instability. In this article, we present a dielectrophoresis (DEP)-assisted dual-nanowell array (ddNA) device, which employs an innovative microstructure design and operating process that decouples the bead- and cell-loading processes. Our ddNA design contains thousands of subnanoliter microwell pairs specifically tailored to fit both beads and cells. Interdigitated electrodes (IDEs) are placed below the microwell structure to introduce a DEP force on cells, yielding high single-cell capture and pairing rates. Experimental results with human embryonic kidney cells confirmed the suitability and reproducibility of our design. We achieved a single-bead capture rate of >97% and a cell-bead pairing rate of >75%. We anticipate that our device will enhance the application of single-cell analysis in practical clinical use and academic research.
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 | 0,001 |
| 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 ».