Design and preparation of a simplified microdroplet generation device for nanoliter volume collection and measurement with liquid microjunction–surface sampling probe–mass spectrometry
Notice bibliographique
Résumé
Abstract Given recent interest in laboratory automation and miniaturization, the microdroplet research space has expanded across research disciplines and sectors. In turn, the microdroplet field is continually evolving and seeking new methods to generate microdroplets, especially in ways that can be integrated into diverse (microfluidic) workflows. Herein, we present a convenient, low‐cost, and re‐usable microdroplet generation device, termed as the “NanoWand,” which enables microdroplet formation in the nanoliter volume range through modulated surface energy and roughness, that is, an open surface energy trap (oSET), using commercially available and readily assembled coating and substrate materials. A wand‐like shape is excised from a microscope glass cover slip via laser‐micromachining and rendered hydrophobic; a circle is then cut‐out from the hydrophobically modified wand's tip using laser‐micromachining to create the oSET. By adjusting the size of the oSET with laser‐micromachining, the volume of the microdroplet can be similarly controlled. Using liquid microjunction–surface sampling probe–mass spectrometry (LMJ‐SSP‐MS), specific NanoWand droplet capture volumes were estimated to be 117 ± 23.6 nL, 198 ± 30.3 nL, and 277 ± 37.1 nL, corresponding to oSET diameters of 0.75, 1.00, and 1.25 mm, respectively. This simple approach provides a user‐friendly way to form and transfer microdroplets that could be integrated into different liquid handling applications, especially when combined with the LMJ‐SSP and ambient ionization MS as a powerful and rapid analytical tool.
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 ».