"HIGHLY SENSITIVE, MULTIPLEXED DETECTION OF CIRCULATING BIOMARKERS USING A GOLD-NANOPARTICLE-EMBEDDED MEMBRANE"
Notice bibliographique
Résumé
Biofluids in early disease stages may contain protein biomarkers at sub-pg/mL concentrations, demanding highly sensitive methods for detection.In early-stage cancer, tumors are small and can grow for 10 years before detection with traditional gold standard ELISA technique [1].Further, complex diseases often require multiplexed detection of proteins for accurate diagnosis.Gold nanoparticles (AuNPs) interact strongly with fluorescent molecules and can greatly enhance signals when placed within 5-90 nm through the phenomenon of metal enhanced fluorescence (MEF) [2].However, existing MEF-based platforms are developed as 2D substrates and require complex micro/nanofabrication, limiting their assay sensitivity and usability.Nitrocellulose membranes are highly porous 3D structures providing increased surface area and molecule binding capacity.In this work, we developed a novel gold-nanoparticle-embedded membrane (GEM, Figure 1) platform, which offers (1) increased sensitivity.Subpg/mL detection limits were achieved benefiting from both the 3D membrane structure and the AuNP induced MEF;(2) high multiplexing capabilities with minimal cross-reactions achieved through compartmentalization and microarrays; (3) low sample consumption; (4) simple-to-implement with basic lab equipment [2-3].
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| 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 | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».