Optimising CNT-FET Biosensor Design: Predictive Modelling of Biomolecular Electrostatic Gating and its Application to Beta-Lactamase Detection
Notice bibliographique
Résumé
Abstract Carbon nanotube field effect transistor (CNT-FET) setups hold great promise for constructing next generation miniaturised biosensors whereby a biomolecular event gates conductance. The main issue is predicting how proteins, with their innate mosaic and distinctive electrostatic surfaces, interact with and thus modulate conductance of the CNT-FET. To overcome this barrier, we used advanced sampling molecular dynamics combined with non-canonical amino acid chemistry, to model the protein electrostatic potential imparted on SWCNTs. Here, we focused our efforts using β-lactamase binding protein (BLIP2) as the receptor due to its potential as a biosensor for the most common antibiotic degrading enzymes, the β-lactamases (BLs). Modelling was confirmed experimentally by attaching BLIP2 at single designed residues positions directly to SWCNTs using genetically encoded phenyl azide photochemistry. Our devices were able to successfully detect the two different BLs, TEM-1 and KPC-2, with each BL generating distinct conductance profiles due to differences in their unique surface electrostatic profiles presented close to the SWCNT surface. The changes in conductance closely matched the predicted electrostatic profile sampled by the SWCNTs on BL binding. Thus, our modelling approach combined with new and straight-forward residue-specific receptor attachment techniques, provides a general approach for more effective and optimal CNT-FET biosensor construction.
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 | 0,000 | 0,001 |
| 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 | 0,001 | 0,000 |
| 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 ».