Boosting Electrochemiluminescence Immunoassay Sensitivity via Co–Pt Nanoparticles within a Ti<sub>3</sub>C<sub>2</sub> MXene-Modified Single Electrode Electrochemical System on Raspberry Pi
Notice bibliographique
Résumé
Point-of-care testing plays a crucial role in diagnostics within resource-poor areas, necessitating the utilization of portable and user-friendly devices. The adaptation of biosensors for point-of-care applications requires careful considerations, such as miniaturization, cost-effectiveness, and streamlined sample processing. In recent years, the electrochemiluminescence (ECL) immunoassay has gained significant attention due to its visual detection capabilities and ability to facilitate high-throughput analysis. However, the development of a practical and cost-effective ECL device remains a challenging task. This study presents the development of an integrated MXene-modified single-electrode electrochemical system (SEES) for visual and high-throughput ECL immunoassays incorporating a Raspberry Pi system. The SEES was designed by affixing a plastic sticker with multiple perforations onto a single carbon ink screen-printed electrode, which operates based on a resistance-induced potential difference. Leveraging the excellent adsorption and bioaffinity properties of the carbon ink screen-printed electrode, effective immobilization of antibodies was achieved. Furthermore, the incorporation of Co–Pt nanoparticles enhanced the ECL intensity and electron transfer kinetics, enabling the sensitive detection of SARS-CoV-2. The developed system comprised 18 individual reaction cells, allowing for simultaneous analysis while maintaining sample isolation. Impressively, the system achieved a remarkable minimum virus detection limit of 10 –14 g mL –1, accompanied by a high R 2 value of 0.9798. These findings highlight the promising potential of our developed system for efficient point-of-care testing in resource-limited settings.
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 | 0,000 |
| 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 | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 ».