组成图示
点击图片查看大图 · 依据论文自动绘制
传感器类型
综述或非传感器论文
检测对象
抗体（antibody/IgG/IgE）、抗原（antigen/Der p2）、小分子化合物（small-molecule compounds）、蛋白/多肽（protein/peptide）、腺病毒颗粒（adenovirus）、神经生长因子（NGF）；样品基质：缓冲液、细胞培养上清/生物反应器培养基、溶液。
检测原理
本文综述的商业光学生物传感器以SPR为主。分析物在流动池中与芯片表面固定化配体结合，使界面质量或折射率发生变化，改变表面等离子体共振条件，仪器记录为响应单位RU。响应随分析物浓度升高而增大，达到平衡后形成传感器图；通过1:1相互作用模型拟合可得到结合速率常数ka、解离速率常数kd和平衡解离常数KD。实验通常设置参考表面扣除非特异吸附，使用低配体密度避免多价效应，并通过再生液恢复表面。部分应用采用质量传输限制条件，以初始结合速率定量生物反应器中抗体活性；成像SPR和阵列芯片可并行监测多个位点，提高通量。
检测灵敏度
LOD: about 2 ug/ml in ligand spotting concentration and about 1 nM in analyte concentration（Biacore Flexchip，human IgG/Protein A/G）；原文未报告统一线性范围、灵敏度斜率或R^2。
效应效果
本文对2008年1413篇商业光学生物传感器论文进行评分，认为不到30%达到高中化学要求，约67%为D或F。作者强调优秀实验应展示重复、1:1模型拟合、Goldilocks强度响应、参考表面扣除、低配体密度和正确再生，以避免多价、聚集、非特异结合和基线漂移。与ELISA、荧光标记或质谱相比，SPR可无标记、低样品量地同时评估结合量与活性，并支持自动化在线监测。文中案例显示SPR可用于小分子筛选、抗体表位映射、病毒受体亲和力优化和生物反应器抗体定量，但文献中常见体相偏移误用、构象变化模型滥用、无数据报告常数及单位错误。
传感器的构成
- 基底/换能器：商业SPR芯片或金膜传感器表面，提供表面等离子体共振换能基础
- 修饰层：氨基偶联、链霉亲和素、葡聚糖或蛋白A/G等固定化化学层，用于捕获配体
- 识别元件：固定化抗体、抗原、肽、蛋白A/G或病毒颗粒等，用于特异性结合分析物
- 信号标记：无标记分析物结合引起的界面质量/折射率变化，作为SPR响应来源
- 读出：SPR仪器记录响应单位RU传感器图，并通过1:1模型拟合获得ka、kd、KD
- 参考/再生：参考表面与缓冲液/再生液用于扣除非特异信号并恢复表面活性
中文摘要
光学生物传感器技术仍是无标记、实时生物分子相互作用分析的首选方法。但若要提升生物传感器文献质量，教育应处于基础地位。在2008年发表的1413篇相关论文中，不到30%能达到高中化学课程对实验设计、数据分析与结果呈现的基本要求。为以例教学，本文重点介绍10篇能够正确实施该技术的代表性论文，随后对2008年所有论文按A至F等级逐一评分，并归纳优秀、中等和糟糕论文的特征。为帮助提高已发表数据质量，作者聚焦于若干实验、分析和呈现中常见且令人担忧的错误，包括重复性不足、未展示拟合、误用体相偏移校正、滥用构象变化模型、未显示原始数据却报告结合常数、速率常数符号与单位不规范等。作者希望以文献为教材，推动商业光学生物传感器实验标准化，避免用户因方法不当而误判相互作用。
英文摘要
Optical biosensor technology continues to be the method of choice for label-free, real-time interaction analysis. But when it comes to improving the quality of the biosensor literature, education should be fundamental. Of the 1413 articles published in 2008, less than 30% would pass the requirements for high-school chemistry. To teach by example, we spotlight 10 papers that illustrate how to implement the technology properly. Then we grade every paper published in 2008 on a scale from A to F and outline what features make a biosensor article fabulous, middling or abysmal. To help improve the quality of published data, we focus on a few experimental, analysis and presentation mistakes that are alarmingly common. With the literature as a guide, we want to ensure that no user is left behind.