MétaCan
Menu
Retour à la cohorte
Enregistrement W7011614112

Modélisation et analyse de la diffusion et du mélange de réactifs dans des circuits microfluidiques capillaires pour le criblage à haut débit

2023· other· fr· W7011614112 sur OpenAlexaboutno aff

Notice bibliographique

RevuePolyPublie (École Polytechnique de Montréal) · 2023
Typeother
Languefr
DomaineMedicine
ThématiquePreterm Birth and Chorioamnionitis
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésContext (archaeology)Filter (signal processing)Naturally aspirated engine
DOInon disponible

Résumé

récupéré en direct d'OpenAlex

RÉSUMÉ: Le criblage à haut débit (HTS, de l’anglais High Throughput Screening) est de grande importance dans plusieurs domaines dont les avancées récentes en dépendent. La pharmacologie, la biochimie, la chimie catalytique, la chimie organique et la recherche en matériaux de pointes ne sont que quelques exemples parmi tant d’autres de domaines bénéficiant des technologies récentes de HTS. Les techniques classiques de HTS développées dans les années 1980 sont basées sur l’utilisation des plaques microtitres et sont limitées par des défis liés à l’évaporation des échantillons et l’usage d’équipement de pipetage encombrant et dispendieux. Des avancées en microfluidique – une branche de la mécanique des fluides et de l’ingénierie qui s’intéresse à la miniaturisation et l’automatisation de manipulations expérimentales de fluides principalement en biologie et en chimie – permettent de répondre à certains défis du HTS classique. Notamment, les dispositifs à microcompartiments, les micromatrices et la microfluidique par gouttelettes sont des technologies applicables en HTS. Cependant, certaines limites demeurent tel que la conservation et l’intégration de réactifs, la mise en contact d’un échantillon unique avec différentes conditions expérimentales, la dépendance envers de l’équipement spécialisé et la génération de profils de concentration complexes. Une avancée microfluidique récente issue d’une collaboration entre le groupe de recherche du Pr. Thomas Gervais à Polytechnique Montréal et le département de Precision Diagnostics de IBM Research Europe – Zurich permet d’adresser la plupart de ces limites. En effet, les modules à autocoalescence (SCMs) – un dispositif microfluidique permettant de conserver des points de réactifs séchés et de les combiner sans les déplacer avec un échantillon quelconque –peuvent être multiplexés pour obtenir une matrice de SCMs. Cette géométrie permet de conserver les avantages des SCMs quant à la manipulation de réactifs tout en ayant un dispositif avec des capacités de HTS. Les matrices de SCMs répondent ainsi à la majorité des limites des autres systèmes microfluiques de HTS. L’objectif de ce mémoire est de présenter les outils développés pour planifier efficacement des expériences dans les matrices de SCMs. En premier lieu, ce nouveau dispositif microfluidique est présenté. Il permet de combiner un échantillon unique de 2 à 5 µL avec une matrice de 375 (15 x 25) points de réactifs séchés imprimés préalablement pour les reconstituer et générer des conditions expérimentales variées. Un modèle de transport diffusif est ensuite développé pour décrire l’évolution des profils de concentration après la reconstitution des points de réactifs. ABSTRACT: High throughput screening (HTS) is of great relevance in multiple fields which relied on it for recent progress. Pharmacology, biochemistry, catalytic chemistry, organic chemistry, and material sciences are some examples of such fields. Classical HTS methods developed in the years 1980 are based on the microtiter plate. Those methods are limited by challenges such as solvent evaporation, and expensive and cumbersome pipetting equipment. Recent advances in microfluidics have led to systems that can circumvent most of these challenges. Microcompartment devices, microarrays, and droplet microfluidics all have had great success as HTS systems. However, some limitations remain. Mainly, the conservation and integration of reagents, the sample integration, the need for specialized equipment, and the generation of complex concentration profiles are challenges yet to be fully overcome. A recent microfluidic advancement resulting from a collaboration between Pr. Thomas Ger-vais’ research group at Polytechnique Montréal and the Precision Diagnostics department at IBM Research Europe – Zurich can overcome most of these limitations. Self-coalescence modules (SCMs) are microfluidic devices that can preserve dried reagent spots and allow their reconstitution in a sample without any displacement. These modules can be multiplexed to create an SCM array. This geometry retains the reagent handling advantages of SCMs while providing a device with high-throughput screening (HTS) capabilities. As a result, arrays of SCMs overcome the majority of limitations found in other microfluidic HTS systems. The primary objective of this dissertation is to present the toolbox that has been developed to efficiently plan experiments in SCM arrays. Firstly, this novel microfluidic device is presented. SCM arrays can combine a 2 to 5 µL sample with an array of 375 (15 x 25) printed and dried reagent spots. In doing so, the dried reagents are reconstituted, and complex experimental conditions can arise. A diffusive transport model is developed to describe the evolution of concentration profiles after the reconstitution of the reagent spots. This model solves the Fickian diffusion equa-tion (2nd Fick’s law) for various one-dimensional SCM’s possible geometries using Green’s function method, the image method, and well-known solutions of the diffusion equation. The model assumes that the reagent spots, immediately after reconstitution, have been minimally dispersed and can be considered as Dirac distributions centered on the printing position. The model can therefore be used for the prediction of concentration profiles resulting from an initial printing pattern at any subsequent time t.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,001
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,006
Score d'incertitude au seuil0,012

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,001
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0010,001
Science ouverte0,0000,000
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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.

Tête enseignante Opus0,012
Tête enseignante GPT0,254
Écart entre enseignants0,242 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2023
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revuePolyPublie (École Polytechnique de Montréal)Même sujetPreterm Birth and ChorioamnionitisTravaux en français237 207