Digital SERS Protocol Using Au Nanoparticle-Based Extrinsic Raman Labels for the Determination of SARS-CoV-2 Spike Protein in Saliva Samples
Notice bibliographique
Résumé
Surface-enhanced Raman scattering (SERS)-based immunoassays have several advantages, such as high sensitivity and multiplex capabilities; they are emerging as a potential avenue for early disease diagnosis and screening. Here, we focused on SERS-based heterogeneous immunoassays, in which the number of extrinsic Raman labels (ERLs) at the sensor surface is related to the concentration of the intended target. The ERLs are made of gold nanoparticles and are constructed to be selective to the target and to boost the signal of a Raman reporter. However, as the concentration of the target biomarker decreases, the number of ERLs per unit of area (mm 2 ) also decreases, leading to a small number of ERLs being probed within an exciting laser spot. This poor sampling adds to the large intensity variations inherent to the SERS effect, resulting in a loss in the linearity between the SERS signal and the marker/target analyte concentration. This characteristic has rendered SERS-based immunoassays unreliable for quantification at low bioanalyte concentrations. We propose the use of a digital quantification protocol to overcome this problem. A SERS-based sandwich immunoassay was developed for the detection of the SARS-CoV-2 S1–S2 spike protein in saliva. A conventional data analysis that relates SERS intensities to concentration was compared to the digital protocol for the same dataset. The digital SERS assay presented an LOD of 6.3 ng·mL –1 or 34.9 pM and an LOQ of 19.0 ng·mL –1 or 105.7 pM within a 95% confidence level. These metrics show an 11-fold improvement compared to the conventional data analysis.
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 ».