Metabolite microextraction on surface-enhanced Raman scattering nanofibres and D2O probing accelerate antibiotic susceptibility testing
Notice bibliographique
Résumé
Rapid antibiotic susceptibility tests (AST) are vital for the effective treatment of disease, necessitating the development of analytical tools to address unmet needs in healthcare. Leveraging the sensitivity of plasmonic nanosensors and isotopic labelling has the potential to accelerate AST. Here, we developed surface-enhanced Raman scattering (SERS)-based nanofibre sensors and heavy water [deuterium oxide (D 2 O)] labelling (SERS-DIP) for detecting the minimum inhibitory concentration (MIC) and AST for trimethoprim (TMP) against E. coli . SERS-DIP rapidly detected the MIC of TMP for the susceptible strain in 2 h. TMP-resistant cells retained the metabolic activity regardless of TMP levels, confirming the resistance phenotype. Kinetic analysis of D uptake by resistant cells treated with TMP (2 × MIC) revealed increasing D levels proportional to peak redshifts over time, confirmed by machine learning-driven data exploration. Our results demonstrate the utility of nanofibre-enabled SERS-DIP for robust AST, uncovering new spectral biomarkers that may impact clinical medicine.
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 | 0,001 | 0,001 |
| 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 ».