Fast and sensitive virus detection using a plasmonic sensor that integrates electrokinetically assisted sampling and surface-enhanced Raman scattering
Notice bibliographique
Résumé
• We integrate electrokinetic effects with SERS to achieve sensitive virus detection. • Accelerated sampling and electric field-mediated virus capture on SERS-active substrates. • Addition of silver nanoparticles increases SERS hotspot density. • Simulations provide insights into the mechanisms behind concentration amplification and signal enhancement. We present a novel plasmonic biosensing method for on-chip detection on viral particles featuring a microelectrode platform that integrates accelerated sampling of virus with surface-enhanced Raman scattering (SERS). We show experimentally that our approach can produce spectacular results owing to the unique incorporation of two key features: (1) Concentration amplification of virus on the SERS-active substrate; (2) Local plasmonic activity enhancement due to the targeted superimposition of silver nanoparticles on the captured virus sites. When tested for the detection of the M13 bacteriophage our “sandwich” assay yielded excellent reproducibility (signal variation <6 %) and a very low limit of detection (1.13 × 10 2 pfu/ml). Compared with the performance of our standard SERS substrates, SERS signals stronger by at least one order of magnitude are typically achieved. In addition to experimental results, our work also includes finite element (COMSOL Multiphysics) and finite-difference time-domain (FDTD) simulations that provide insights into the mechanisms of concentration amplification and plasmonic activity enhancement, respectively.
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 ».