Universal Amplification-Free RNA Detection by Integrating CRISPR-Cas10 with Aptameric Graphene Field-Effect Transistor
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Abstract Amplification-free, highly sensitive, and specific nucleic acid detection is crucial for health monitoring and diagnosis. The type III CRISPR-Cas10 system, which provides viral immunity through CRISPR-associated protein effectors, enables a new amplification-free nucleic acid diagnostic tool. In this study, we develop a CRISPR-graphene field-effect transistors (GFETs) biosensor by combining the type III CRISPR-Cas10 system with GFETs for direct nucleic acid detection. This biosensor exploits the target RNA-activated continuous ssDNA cleavage activity of the dCsm3 CRISPR-Cas10 effector and the high charge density of a hairpin DNA reporter on the GFET channel to achieve label-free, amplification-free, highly sensitive, and specific RNA detection. The CRISPR-GFET biosensor exhibits excellent performance in detecting medium-length RNAs and miRNAs, with detection limits at the aM level and a broad linear range of 10 −15 to 10 −11 M for RNAs and 10 −15 to 10 −9 M for miRNAs. It shows high sensitivity in throat swabs and serum samples, distinguishing between healthy individuals (N = 5) and breast cancer patients (N = 6) without the need for extraction, purification, or amplification. This platform mitigates risks associated with nucleic acid amplification and cross-contamination, making it a versatile and scalable diagnostic tool for molecular diagnostics in human health.
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.
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 découle