Développement de chimie de surface pour la réduction de l’adsorption non-spécifique de lysat cellulaire et application clinique de biocapteurs SPR
Bibliographic record
Abstract
Le travail présenté dans cette thèse porte sur le développement de chimie de surface et de biocapteurs pouvant être utilisés dans le milieu hospitalier afin d’améliorer les méthodes de dépistages et de suivi de traitement de diverses maladies et cancers. Les méthodes actuelles de dépistage du cancer reposent principalement sur l’analyse histologique des cellules par des experts dans le domaine. Cela complique la transmission de l’information au patient et retarde le moment où un traitement approprié peut être entamé. Grâce à de nouvelles techniques d’analyses simples et peu coûteuses comme la spectroscopie de résonance des plasmons de surface (SPR), il est possible de développer des tests qui pourront être effectués par le personnel de l’hôpital, en peu de temps et à peu de frais. Afin de pouvoir utiliser la SPR en milieu clinique, une chimie de surface appropriée doit être développée afin d’empêcher les matrices biologiques de masquer le signal des analytes d’intérêt. En effet, qu’il s’agisse de lysat cellulaire, de sérum ou de tout autre fluide biologique, le contenu protéique et lipidique peut s’adsorber de façon non-spécifique aux surfaces d’analyse, compromettant ainsi les résultats obtenus. Afin de pallier ce problème, le développement de chimie de surface a été effectué. Des monocouches de peptides et de liquides ioniques ont été utilisées afin de réduire l’adsorption non-spécifique de lysat cellulaire non-dilué sur des capteurs SPR. Parmi les peptides, le plus efficace s’est avéré être le 3 MPA (His)2(Leu)2(Phe)2 OH, un peptide chargé positivement formé de 6 acides aminés plutôt hydrophobes. Grâce à cette surface, l’adsorption non-spécifique de lysat cellulaire a pu être réduite jusqu’à 159 ± 27 ng/cm2, par rapport à 929 ± 186 ng/cm2 sur une surface d’or non protégée. Une étude en spectrométrie de masse a permis de mieux comprendre le phénomène d’adsorption non-spécifique de lysat cellulaire et de confirmer que ce sont principalement des lipides qui s’adsorbent non-spécifiquement au capteur SPR lorsque celui-ci est exposé à du lysat cellulaire. Malgré la nette amélioration par rapport à un capteur non protégé, le phénomène d’adsorption non-spécifique était encore significativement présent avec les monocouches de peptides. L’adsorption non-spécifique de lysat cellulaire a ensuite été drastiquement réduite grâce aux liquides ioniques hydrophobes et chargés. Le liquide ionique le plus performant a montré une adsorption non-spécifique d’à peine 2 ± 2 ng/cm2. Par la suite, un biocapteur permettant la détection de HER2, un biomarqueur de cancer du sein présent dans environ 30% des cas de cancers du sein agressifs, a été développé. Cela a permis de démontrer que le liquide ionique pouvait être utilisé pour la construction d’un biocapteur, ouvrant ainsi la porte à un large domaine d’analyses en lysat cellulaire. Finalement, les défis de l’analyse SPR avec des échantillons cliniques ont été explorés par le développement d’un biocapteur pour l’anti-asparaginase, permettant de faire le suivi de traitement de patients atteints de leucémie. L’asparaginase est administrée aux patients leucémiques, en combinaison avec plusieurs autres composés chimiothérapiques, afin de combattre ce cancer. Toutefois, plusieurs patients ont une réaction allergique à cette protéine de source bactérienne, mais ne démontrent pas de symptômes physiques. Le biocapteur développé visait donc à détecter les réactions immunitaires des patients afin de modifier leur traitement lorsque cela s’avère nécessaire. Un biocapteur pour la détection de l’anti-asparaginase dans le sérum non-dilué de patients leucémiques a donc été développé. Des échantillons cliniques ont été étudiés et les résultats obtenus pour le nouveau biocapteur SPR ont montré une bonne concordance avec les résultats obtenus en ELISA.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.002 | 0.000 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.000 | 0.000 |
| Science and technology studies | 0.000 | 0.000 |
| Scholarly communication | 0.000 | 0.000 |
| Open science | 0.001 | 0.000 |
| Research integrity | 0.002 | 0.001 |
| Insufficient payload (model declined to judge) | 0.001 | 0.000 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one teacher head, not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".