Development of a silver nanoparticle embedded membrane platform for highly sensitive and multiplexed detection of extracellular vesicle proteins
Notice bibliographique
Résumé
Abstract Extracellular vesicles (EVs) are membrane bound nanoscale particles released by cells that contain molecular cargo reflective of their parental cell and can be found in many biofluids. The overexpression of EVs and EV-related protein markers has been linked to various diseased states, making them a promising tool for liquid biopsy-based disease diagnostics. Many complex diseases, like cancer, impact multiple markers simultaneously, and during early stages, are present at low concentrations. Current EV analysis technology is limited in sensitivity, multiplexing, and ease of use. We have developed a silver nanoparticle embedded membrane (sNEM) platform that utilizes the 3D structure of nitrocellulose membrane, metal-enhanced fluorescence (MEF)-based detection and a novel wax-based compartmentalization technique for highly sensitive multiplex EV protein detection from minimal sample volume. We compared various nanoparticle shapes, sizes, and metal types with fluorophores of different wavelengths to determine which provided optimal MEF-based detection with high sensitivity. Fluorescence intensity from FITC was much lower than that from Cy5 and was found to pronounce the effects of autofluorescence by 2 times. After selecting 30 nm silver nanoparticles at a concentration of 10 9 particles ml −1 and the Cy5 fluorophore based on greatest fluorescence enhancement, we then demonstrated its application for multiplexed detection of surface and intravesicular proteins directly from lysed EVs in both buffer and human plasma. In PBS, detection limits of 2–3 orders of magnitude lower than traditional ELISA were achieved. Directly from human plasma, detection limits of 1.97 × 10 5 EVs ml −1 , 1.94 × 10 6 EVs ml −1 , and 2.17 × 10 4 EVs ml −1 for TGF- β 1, AKT1, and TSG101 were achieved. These results demonstrate the suitability of sNEM for highly sensitive, multiplexed detection of EV markers from complex biofluids for early diagnostics while offering advantages such as low reagent/sample consumption, scalability, reduced sample preparation, and ease of use.
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 ».