Rapid Quantification of Virus-Like Particles via Gold Nanoparticle Sensors and Dark-Field Differential Dynamic Microscopy
Notice bibliographique
Résumé
We present a novel diagnostic platform using differential dynamic microscopy (DDM) to quantify viral load in salivary samples. This method leverages gold nanoparticle-based sensors that form heteroaggregates with virus-like particles (VLPs), designed to mimic viruses. The sensors were sequentially functionalized with biotin, streptavidin, and biotinylated angiotensin-converting enzyme 2, while VLPs were functionalized with streptavidin and the spike S1 receptor-binding domain of SARS-CoV-2 as the model virus. Viral load is quantified by tracking changes in the sensor nanoparticle dynamics during their interactions with VLPs. Initially optimized in buffer and subsequently adapted for salivary samples, the assay leverages dark-field DDM to remove possible interference from unbound VLPs. This approach enables the quantification of VLPs that were otherwise undetectable by dark-field DDM alone, by exploiting the slower diffusion of nanosensor–VLP heteroaggregates, achieving a detection limit of 9 × 10 3 VLPs/mL (20 pg/mL), within clinically relevant viral loads. The platform requires minimal sample preparation, a 5 min incubation, and no fluorescent labeling or washing steps. With only a conventional microscope and camera, this rapid assay provides quantitative results in 10–15 min. This proof-of-concept offers an accessible tool for rapid and precise viral load quantification in laboratory settings with potential for point-of-care applications through setup miniaturization. With its simplicity, speed, and sensitivity, this platform represents a promising advancement in infectious disease diagnostics.
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 ».