Graphene Oxide-Functionalized Optical Sensor for Label-Free Detection of Breast Cancer Cells
Notice bibliographique
Résumé
High Resolution Image Download MS PowerPoint Slide Accurate and noninvasive detection of cancer cells is critical for advancing early stage cancer diagnostics and monitoring tumor progression. While manual enumeration methods, such as hemocytometry, remain in use, they suffer from limited sensitivity and scalability. In this article, we report the first feasibility study demonstrating a graphene oxide (GO)-functionalized long-period fiber grating (LPG) sensor for the label-free detection of MCF-7 human breast cancer cell density via secreted cellular byproducts. The sensing mechanism is based on refractive index (RI) modulation in the culture medium, where the GO overlay serves as a functional interface to enhance light–matter interaction and mode coupling between the LPG device and the external medium. GO nanocoatings were deposited on the device surface via an in situ layer-by-layer (i-LbL) assembly method and characterized using scanning electron microscopy (SEM), atomic force microscopy (AFM), and Raman spectroscopy. Furthermore, by precisely controlling the thickness of the GO nanocoating, we experimentally investigated the impact of the GO thickness on the optical properties, revealing distinct thickness-dependent behavior. Resonance changes correlated clearly with metabolite accumulation, thus enabling indirect detection of cancer cell density. The GO-LPG sensor demonstrated detection of MCF-7 cell densities ranging from 0 to 1 × 10 5 cells/mL, achieving ultrahigh sensitivity with a limit of detection (LOD) as low as 270 cells/mL. This GO-functionalized fiber optic configuration offers significant potential as a real-time, label-free, and noninvasive bionanophotonic platform for cancer diagnostics and metabolic sensing in complex biological environments.
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 ».