Bacteriophage‐Activated DNAzyme Hydrogels Combined with Machine Learning Enable Point‐of‐Use Colorimetric Detection of <i>Escherichia coli</i>
Notice bibliographique
Résumé
Abstract Developing cost‐effective, consumer‐accessible platforms for point‐of‐use environmental and clinical pathogen testing is a priority, to reduce reliance on laborious, time‐consuming culturing approaches. Unfortunately, a system offering ultrasensitive detection capabilities in a form that requires little auxiliary equipment or training has remained elusive. Here, a colorimetric DNAzyme‐crosslinked hydrogel sensor is presented. In the presence of a target pathogen, DNAzyme cleavage results in hydrogel dissolution, yielding the release of entrapped gold nanoparticles in a manner visible to the naked eye. Recognizing that Escherichia coli holds high relevance within both environmental and clinical environments, an E. coli ‐responsive DNAzyme is incorporated into this platform. Through the optimization of the hydrogel polymerization process and the discovery of bacteriophage‐induced DNAzyme signal amplification, 10 1 CFU mL −1 E. coli is detected within real‐world lake water samples. Subsequent pairing with an artificial intelligence model removed ambiguity in sensor readout, offering 96% true positive and 100% true negative accuracy. Finally, high sensor specificity and stability results supported clinical use, where 100% of urine samples collected from patients with E. coli urinary tract infections are accurately identified. No false positives are observed when testing healthy samples. Ultimately, this platform stands to significantly improve population health by substantially increasing pathogen testing accessibility.
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 | 0,001 |
| 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 ».