MétaCan
Menu
Retour à la cohorte
Enregistrement W4404687144 · doi:10.1021/acsnano.4c12306

QBox: An Automated Portable System for Multiplex Quantum Dot Barcode Diagnostics

2024· article· en· W4404687144 sur OpenAlexafffund
Matthew Osborne, Hongmin Chen, Pranav Kadhiresan, Nafisa Mahbub, Ayden Malekjahani, H Kozłowski, Buddhisha Udugama, Luan N. Nguyen, Stephen Perusini, Samira Mubareka, Warren C. W. Chan

Notice bibliographique

RevueACS Nano · 2024
Typearticle
Langueen
DomaineEngineering
ThématiqueBiosensors and Analytical Detection
Établissements canadiensSunnybrook Health Science CentrePublic Health OntarioUniversity of Toronto
Organismes subventionnairesNatural Sciences and Engineering Research Council of CanadaGovernment of OntarioCanada Research ChairsNanoMedicines Innovation NetworkCanadian Institutes of Health ResearchUniversity of Toronto
Mots-clésBarcodeMultiplexQuantum dotNanotechnologyMaterials scienceOptoelectronicsComputer scienceBioinformatics

Résumé

récupéré en direct d'OpenAlex

The COVID-19 pandemic accelerated the development of automated systems for detecting molecular targets for the point-of-care. However, these systems have limited multiplexing capabilities because of the need to alter their hardware to accommodate additional targets and probes. Quantum dot barcodes address this multiplexing obstacle, but their assays have multiple steps that rely on extensive training and laboratory equipment. Here, we built a portable cartridge-and-instrument system that automates the extraction, reverse transcription, amplification, and detection steps of a quantum dot barcode assay. This entire workflow can be completed in 40 minutes. We clinically validated the system with SARS-CoV-2 patient samples ( n = 50, 92% sensitivity, 100% specificity). We then demonstrated multiplexing with 4-barcode respiratory and 5-barcode bloodborne pathogen panels. Our portable system opens quantum dot barcodes for broad use in rapid multiplexed detection of infectious pathogens with the potential for detecting cancer and other genetic diseases.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,002
score de la tête « metaresearch » (Gemma)0,002
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,015
Score d'incertitude au seuil0,051

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0020,002
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0020,001
Études des sciences et des technologies0,0000,001
Communication savante0,0010,001
Science ouverte0,0020,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0150,008

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.

Tête enseignante Opus0,013
Tête enseignante GPT0,250
Écart entre enseignants0,237 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeExpérimental (laboratoire)
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations11
Publié2024
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueACS NanoMême sujetBiosensors and Analytical DetectionTravaux en français237 207