MIP-Chip: Integrated Microfluidic Plasma Separation and Redox-Enhanced Molecularly Imprinted Polymer Succinate Sensor for Whole Blood Metabolite Analysis
Notice bibliographique
Résumé
The precise quantification of metabolites in bodily fluids is essential for advancing digital health monitoring and clinical diagnostics. Among these fluids, whole blood stands out as a valuable source of predictive metabolite biomarkers, providing critical insights into disease diagnosis and progression. However, traditional blood testing methods often require expensive instrumentation and specialized training, primarily due to the need for plasma extraction to remove interfering blood cells. This study addresses these limitations by introducing a novel, sensitive, rapid, reagent-free, and cost-effective capillary microfluidic-integrated molecularly imprinted polymer (MIP) sensor (MIP-Chip) designed for metabolite detection in whole blood. The MIP-Chip integrates two key components: (1) a highly efficient plasma separation module capable of extracting plasma from whole blood (∼95% efficiency) without requiring sample pretreatment or external active forces and (2) an electrochemical MIP sensor employing an ultrasensitive electrode with on-electrode Prussian Blue nanoparticles (PB NPs) as embedded redox probes for sensitive and specific metabolite detection in the extracted plasma. Using this platform, we successfully quantified succinate, a critical metabolite, across a wide linear concentration range (50 nM-250 μM) with a limit of detection of 5 nM. The device processed 120 μL of whole blood, delivering 8 μL of plasma, and completed the entire workflow-from sample introduction to biomarker detection within 25 min. The MIP-Chip demonstrated exceptional performance, including self-powered assay automation, high specificity for succinate quantification in whole blood, excellent reproducibility, and long-term stability of the MIP-based sensor. These features establish the MIP-Chip as a powerful analytical platform for point-of-care diagnostics, offering a significant step forward in clinical metabolite detection and digital health monitoring.
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 ».