Microfluidic Nanosensor for Label-Free Multiplexed Detection of Breast Cancer Biomarkers via Surface-Enhanced Reflective FTIR Spectroscopy Using Thin Gold Films and Antibody-Oriented Gold Nanourchin: Feasibility Study
Notice bibliographique
Résumé
The simultaneous detection of multiple cancer biomarkers using microfluidic multiplexed immunosensors is gaining significant interest in the field of Point-of-Care diagnostics. This study highlights integrating surface-enhanced infrared Fourier transform (SE-FTIR) with a plasmonic-active nanostructure thin film (PANTF) on a printed circuit board (PCB), housed within a microfluidic device for rapid, non-destructive detection of breast cancer (BC). Detection uses monoclonal antibody (mAb)-functionalized gold nanourchins (GNUs) on dual sensing regions. A total of 12 serum samples (24 data points) were tested for HER-II and CA 15-3. The system demonstrated a SE-FTIR enhancement factor (EF) of ~0.18 × 105 using Rhodamine 6G (R6G). Calibration with HER-II (1–100 ng/mL) and CA 15-3 (10–100 U/mL) showed linear responses (R2 = 0.8 and 0.76, respectively). Measurements of unknowns were performed at 1 µL/min over 68 min, with 43 min for biomarker interaction. SE-FTIR spectra were recorded at active zones and analyzed using SpectraView (SV), a custom Python 3.12-based tool. Data preprocessing included filtering (SciPy’s filtfilt) and baseline correction using the Improved Asymmetric Least Squares (IASLS) algorithm (pybaselines.Whittaker). Fourier cross-correlation (FCC) showed stronger signal consistency for HER-II. Partial Least Squares (PLS) regression, a dimensionality reduction technique, enabled clear discrimination between the samples and types, with classification accuracy reaching 1.0. Cancer staging based on these biomarkers yielded an overall accuracy of 0.54, indicating that classification regardless of biomarker type. Further studies involving larger and more diverse sample sets are critical before any definitive conclusions can be drawn.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 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 | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».