Developing Tools for Multiplexed Point of Care Infectious Disease Diagnostics
Notice bibliographique
Résumé
There is a need for comprehensive testing to identify infected individuals and guide theirtreatment during infectious disease epidemics. It also enables public health authorities to track, trace, and isolate those individuals and formulate a coordinated response. Yet, the COVID-19 pandemic highlighted diagnostic shortcomings such as low test coverage and false-negative results. An ideal diagnostic test would be sensitive, specific, easy to use, multiplexed, and deployed at the point of care. However, current point-of-care multiplex diagnostic devices suffer from limitations, including a lack of multiplexing scalability and incomplete automation. Quantum dot barcode (QDB) technology presents a promising solution to overcome these limitations. This technology enables the scaling up of multiplexed biomarker detection without the need for additional optical hardware. Despite this advantage, widespread adoption of QDB assays has been hindered by their multi-step manual procedures requiring laboratory infrastructure, lacking a sensitive portable optical readout system, and an ad-hoc labour-intensive assay design process. This thesis intends to address these challenges by developing integrated tools for multiplex infectious disease diagnostics using quantum dot barcode technology. Specifically, we aimed to advance the field in three areas: (1) automated and portable diagnostic instrumentation, (2) portable and sensitive fluorescence microscopy, and (3) automated assay design leveraging large language models (LLMs). For the first aim, we developed the QBox. It is a fully automated, portable diagnostic platform capable of executing all QDB assay steps with minimal user input. For the second aim, we engineered an epifluorescence microscopy system utilizing a multi-bandpass dichroic filter. It enables sensitive epifluorescence imaging of quantum dot barcode assays and other samples in a compact form factor. In the third aim, we identified optimal instructions for LLMs to accurately design QDB assays. They resulted in an LLM- powered chatbot that automates the entire assay design process. This work integrates advancements in automation, miniaturization, and large language models to enhance the accessibility, adaptability, and flexibility of multiplex point-of-care diagnostics. Better diagnostic tools enable rapid and informed responses to emerging infectious disease threats.
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 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 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 ».