Surface fouling by Candida albicans on steel modified with various surface-assembled monolayers
Notice bibliographique
Résumé
Fungal biofilms are a growing issue in human health and disease, increasing patient morbidity, while causing a large economic burden for treatment of biofilm derived infections. Candida albicans is a well known fungus, which forms biofilms through initial cell attachment, followed by proliferation, and finally biofilm formation. Various surface coatings have been employed to reduce biofilm formation from fungi such as C. albicans , including polyethylene glycol, anti-fungal coatings, SLIPS, and nanoparticles. In this study C. albicans biofilms were grown on steel surfaces with various coatings including APTES, OTS, MEG-Cl, and MEG-OH to determine which surface functionalities C. albicans is best able to form a biofilm on. The surface roughness of the steel coupons was also varied to see if this had any effect on biofilm formation. Coatings that were found to reduce biofilm formation were also subjected to time studies of C. albicans biofilm formation to determine at which stage of biofilm formation was the process interrupted. It was found that MEG-Cl was able to halt biofilm formation at the proliferation stage, preventing the formation of mature biofilms. Meanwhile, MEG-OH was able to almost entirely eliminate C. albicans surface fouling on steel regardless of the surface roughness. • C. albicans is able to form a consistent biofilm on steel surfaces, regardless of surface roughness. • Hydrophobic (OTS) and positively charged (APTES) coatings had no significant effect on biofilm formation. • The negatively charged coating (MEG-Cl) was able to halt biofilm formation before the maturation stage. • The hydrophilic coating (MEG-OH) was able to almost entirely eliminate biofilm formation by C. albicans .
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 | 0,001 | 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 | 0,001 | 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 ».