Ultrasensitive detection of vital biomolecules based on a multi-purpose BioMEMS for Point of care testing: digoxin measurement as a case study
Notice bibliographique
Résumé
Abstract Rapid and label-free detection of very low concentrations of biomarkers in disease diagnosis or therapeutic drug monitoring is essential to prevent disease progression in Point of Care Testing. For this purpose, we propose a multi-purpose optical Bio-Micro-Electro-Mechanical-System (BioMEMS) sensing platform which can precisely measure very small changes of biomolecules concentrations in plasma-like buffer samples. This is realized by the development of an interferometric detection method on highly sensitive MEMS transducers (cantilevers). This approach facilitates the precise analysis of the obtained results to determine the analyte type and its concentrations. Furthermore, the proposed multi-purpose platform can be used for a wide range of biological assessments in various concentration levels by the use of an appropriate bioreceptor and the control of its coating density on the cantilever surface. In this study, the present system is prepared for the identification of digoxin medication in its therapeutic window for therapeutic drug monitoring as a case study. The experimental results represent the repeatability and stability of the proposed device as well as its capability to detect the analytes in less than eight minutes for all samples. In addition, according to the experiments carried out for very low concentrations of digoxin in plasma-like buffer, the detection limit of LOD = 300 fM and the maximum sensitivity of S = 5.5 × 10 12 AU/M are achieved for the implemented biosensor. The present ultrasensitive multi-purpose BioMEMS sensor can be a fully-integrated, cost-effective device to precisely analyze various biomarker concentrations for various biomedical applications.
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 | 0,001 | 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 ».