Optimization of DNA chip hybridization using mixing with chaotic advection
Bibliographic record
Abstract
La détection de séquences génétiques par la technologie des puces à ADN se heurte à des problèmes de fiabilité et de reproductibilité, dus en grande partie à des problèmes de mélange. Dans toute cette thèse, nous montrons à quel point le mélange par advection chaotique améliore les performances de ces puces. Pour cela nous comparons, par une étude principalement numérique, l'efficacité de deux protocoles de mélange basés sur le principe d'injection alternée et périodique de fluide (modèle puits/sources) : l'un utilise des seringues réversibles, l'autre des pompes recyclant le fluide extrait, conduisant globalement à un mélange bien plus efficace et rapide. En outre, nous mettons en évidence le rôle important de la géométrie de la chambre. Dans un second temps, nous introduisons un modèle de capture chimique entre les monobrins d'ADN libres en volume (cibles) et ceux fixés sur la puce (sondes). Nous montrons alors numériquement que la réaction est généralement grandement limitée par la diffusion, mais que l'advection chaotique améliore les choses de manière significative grâce au mélange. Ceci nous permet d'estimer les constantes de vitesses dans le cas statique (où la diffusion agit seule) et le cas dynamique (avec mélangeur). Enfin, profitant de l'opportunité d'un stage à l'Université de Sherbrooke, j'ai effectué un premier suivi en temps réel par SPR d'une cinétique de type "cibles en solution/sondes sur support" pour tenter de comparer les vitesses d'hybridation statique et dynamique (avec mélangeur).
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 machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.000 | 0.001 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.000 | 0.000 |
| Science and technology studies | 0.000 | 0.000 |
| Scholarly communication | 0.001 | 0.000 |
| Open science | 0.000 | 0.000 |
| Research integrity | 0.000 | 0.000 |
| 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 source (direct Gemma or distilled Codex), 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".