An Ultrasensitive BioMEMS Sensor Based on the Phase Modulation Optical Systems
Notice bibliographique
Résumé
This article presents an ultrasensitive surface stress-based BioMEMS platform with an optical biosensing detection method. The proposed biosensor consists of two main parts: a microelectromechanical systems (MEMS) transducer, which converts the chemical interaction of the bioreceptors with the target bioparticles into mechanical displacement, and an optical system to detect the displacement of the MEMS transducer and determine the concentration of the target bioparticles. This design uses a membrane held by six stands above a waveguide as the MEMS transducer to capture the target bioparticles in the test sample. The absorption of the target bioparticles by the bioreceptors, which are immobilized on the surface of the movable membrane, creates surface stress on the top surface of the membrane, leading to its deformation. While the movable part approaches the waveguide, it interacts with the modes’ evanescent field, increasing the effective refractive index. Finally, the refractive index variation causes a shift in the mode’s phase that determines the concentration of the target bioparticles. The operational characteristics of the present biosensor resulting from numerical and analytical approaches are as follows: phase shift of 250π, optical sensitivity of 1935π rad/RIU, mechanical sensitivity of 1.64 μm/N⋅m<sup xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xlink="http://www.w3.org/1999/xlink">-1</sup>, and figure of merit (FOM) of 1.29 πrad/RIUμm. The obtained results indicate that the proposed biosensor has the potential to be employed in point-of-care (POC) tests. This would enable the detection of target biomolecules associated with specific diseases and the measurement of their concentrations, which is indicative of disease progression.
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 | 0,001 |
| 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 | 0,001 |
| 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 ».