Kapasitif mikroişlenmiş ultrasonik dönüştürücü (Capacitive Micromachined Ultrasonic Transducer, CMUT), yüzeyine molekül adsorpsiyonu gerçekleştiğinde oluşan kütle değişimini rezonans frekansındaki kayma üzerinden algılayabilen mikroölçekli bir rezonans sensörüdür. Bu çalışma, dört çıplak CMUT kanalı (S1–S4) ile dört peptit işlevselleştirilmiş CMUT kanalını (S5–S8) aynı anda çalıştıran sekiz kanallı bir elektronik burun dizisinde, bağıl nem değişiminin uçucu organik bileşik (VOC) sinyalinden ayrılmasını araştırmaktadır. Phenylethyl alcohol (PEA) ve cis-3-hexen-1-ol (Cis3) model analitleriyle yapılan deneylerde, kanal bazlı su afinitesi katsayısı kullanılarak harici ve dahili olmak üzere iki nem düzeltme stratejisi test edilmiştir. Dahili düzeltmede aynı çip üzerindeki çıplak CMUT'lar doğrudan yerinde nem referansı olarak kullanılmıştır. Peptit işlevselleştirilmiş sensörlerde dahili düzeltmeyle ortalama VOC afinitesi PEA için −3.44 ± 0.52 kHz/ppm, Cis3 için −0.026 ± 0.003 kHz/ppm olarak raporlanmıştır. Tam sekiz kanallı dizinin PCA uzayındaki inter-cluster/intra-cluster ayrım oranı nem düzeltmesiyle yaklaşık 1.4'ten 3.0'a yükselmiştir. Sonuçlar, peptit işlevselleştirme ile çip üzerindeki nem referanslamanın birlikte kullanıldığında nemli ortamlarda VOC sınıflandırmasını güçlendirebildiğini göstermektedir; ancak çalışma iki model VOC, doygun headspace koşulları ve laboratuvar deneyleriyle sınırlıdır.

CMUT Tabanlı Elektronik Burunda Nem Neden Kritik Bir Girişimdir?

Nem kritik bir girişimdir çünkü CMUT rezonans frekansı yalnız hedef VOC moleküllerinin yüzeye bağlanmasına değil, su buharının sensör yüzeyine adsorpsiyonuna da tepki verir; klinik örneklerde VOC'ler ppb–ppm düzeyindeyken bağıl nemdeki hızlı değişimler çok daha büyük frekans kaymaları oluşturarak analit sinyalini maskeleyebilir.

CMUT tabanlı gravimetrik gaz sensörünün temel çalışma mantığı kütle yüklemesidir. Sensör yüzeyine bir molekül adsorbe olduğunda titreşen yapının etkin kütlesi değişir ve rezonans frekansı kayar. Bu nedenle CMUT, yüzey kimyasındaki moleküler etkileşimi doğrudan kimyasal konsantrasyon olarak değil, mekanik rezonans değişimi üzerinden algılar.

Bu özellik yüksek hassasiyet sağlar; fakat aynı zamanda seçici olmayan su adsorpsiyonunu önemli bir parazit kaynağına dönüştürür. Kaynak, nefes ve yara headspace'i gibi klinik ortamlarda bağıl nemin yaklaşık %95 RH seviyelerine yaklaşabildiğini vurgulamaktadır. Buradaki temel sorun yalnız yüksek nem değildir: ölçüm sırasında nemin değişmesi, hedef VOC sinyalinden daha büyük rezonans frekansı değişimi oluşturabilir.

Literatürde bu sorunu çözmek için kuru azotla çalışma, makine öğrenmesiyle değişken nem altında sınıflandırma, çift frekanslı kendinden kompanze CMUT mimarileri ve özel nem referans sensörleri gibi yaklaşımlar kullanılmıştır. İncelenen çalışma ise sensör çipinin mimarisini değiştirmeden, her kanalın suya olan afinitesini kalibre edip bu bileşeni matematiksel olarak ham frekans kaymasından çıkarmaktadır.

Sekiz kanallı sensör mimarisi

Sensörler CEA-LETI tarafından geliştirilen ve önceki çalışmalarda tanımlanan CMUT mimarisine dayanır. Bu çalışmadaki donanım geliştirmeleri arasında kart üzerinde frekans sayacı entegrasyonu ve çip değişimini kolaylaştıran yeniden tasarlanmış devre kartı yer almaktadır. S1–S4'e ilave yüzey işlevselleştirmesi uygulanmamış, S5–S8 ise daha önce yayımlanan protokollere göre peptit işlevselleştirmesine tabi tutulmuştur.

Kaynak metin, işlevselleştirilmiş dört kanalın peptit kimliklerini veya aminoasit dizilerini bu çalışmanın yöntem bölümünde ayrıntılı olarak vermemektedir. Bu nedenle hangi peptidin hangi kanalda bulunduğuna dair kaynak dışı bilgi eklemek bilimsel olarak uygun değildir.

Peptit İşlevselleştirme CMUT Sensörüne Ne Kazandırır?

Peptit işlevselleştirme, S5–S8 CMUT kanallarının farklı VOC moleküllerine karşı yüzey afinitesini değiştirerek kanallar arasında analite bağlı bir tepki deseni oluşturur; çalışmada PEA ve Cis3 ayrımını sağlayan seçici bilgi esas olarak bu işlevselleştirilmiş kanallardan gelmiştir.

Çalışmanın yaklaşımı klasik tek-analyte sensöründen farklıdır. Elektronik burunda amaç her sensörün yalnız bir moleküle mutlak seçicilik göstermesi değil, birden fazla kanalın oluşturduğu göreli tepki deseninin analitler arasında farklılaşmasıdır. Peptit yüzeyler bu nedenle moleküler tanıma katmanını oluştururken CMUT mekanik rezonans dönüştürücü görevini görür.

Peptit kaplamanın bir yan etkisi de suya karşı artan afinitedir. Üç su enjeksiyonuyla yapılan kalibrasyonda çıplak S1–S4 sensörlerinin su afiniteleri yaklaşık −1.15 ile −1.21 kHz/%RH arasında kalırken peptit kaplı S5–S8 kanallarında −1.92 ile −3.06 kHz/%RH değerleri elde edilmiştir. Yazarlar bunu peptit tabakasının ek higroskopik katkı oluşturduğuna işaret eden bir bulgu olarak yorumlamaktadır.

Deneyde kullanılan model VOC'ler

Her saf bileşikten 1 mL, 60 mL'lik kapalı gaz şişesine yerleştirilmiştir. Dinamik headspace örneklemesi 70 mL/dak akış hızında gerçekleştirilmiştir. Ölçüm sistemi yaklaşık bir saat ısıtılarak CMUT çipi, nem/sıcaklık sensörü ve numunelerin sıcaklığının kararlı hale gelmesi beklenmiştir.

Her maruziyet üç teknik tekrar içerir. Otomatik valf dizisi 10 saniye baz çizgisi ölçümü, 60 saniye analit enjeksiyonu ve 90 saniye desorpsiyon aşaması uygular. Bağıl nem, ölçüm hücresinin aşağı akışında bulunan Honeywell HIH6131-021-001 sensörüyle sürekli izlenmiştir.

İki farklı veri toplama sisteminin senkronizasyonu

CMUT frekans verileri ile harici nem sensörü/veri valfi kayıtları ayrı sistemlerden geldiği için zaman eksenleri özel Python betikleriyle birleştirilmiştir. Bu işlem özellikle önemlidir; çünkü CMUT'un dinamik yanıtı harici nem probundan daha hızlıdır. Kaynağın sayfa 4'teki Figure 1 sensörgramı, su enjeksiyonu sırasında sekiz frekans eğrisi ile nem eğrisinin zaman içinde ne kadar farklı hızlarda değiştiğini açık biçimde göstermektedir.

Ham sensör sinyali nasıl çıkarıldı?

Her enjeksiyonda bir baseline window ve bir analyte window tanımlanmıştır. Kanalın ham frekans tepkisi, analit penceresindeki ortalama frekanstan baz çizgisi penceresindeki ortalamanın çıkarılmasıyla belirlenmiştir. Böylece çok hızlı geçici salınımlar yerine maruziyetin temsil edici ortalama farkı kullanılmaktadır.

Nem Düzeltme Modeli Nasıl Çalışır?

Nem düzeltme modeli, ölçülen toplam CMUT frekans kaymasını hedef VOC'nin oluşturduğu bileşen ile bağıl nem değişiminin oluşturduğu bileşenin doğrusal toplamı kabul eder; her kanal için önceden belirlenen su afinitesi katsayısı \(\beta\) ile hesaplanan nem bileşeni ham sinyalden çıkarılarak VOC'ye atfedilen düzeltilmiş frekans kayması elde edilir.

Çalışmanın temel doğrusal modeli:

\[ \Delta f_{\text{total}}= \Delta f_{\text{VOC}}+\beta\,\Delta RH \]

şeklindedir.

• \(\Delta f_{\text{total}}\): ölçülen toplam rezonans frekansı değişimi, kHz.
• \(\Delta f_{\text{VOC}}\): VOC adsorpsiyonuna atfedilen frekans değişimi, kHz.
• \(\beta\): sensöre özgü su afinitesi, kHz/%RH.
• \(\Delta RH\): baz çizgisine göre bağıl nem değişimi, %RH.

Dolayısıyla harici nem referansı kullanıldığında düzeltilmiş sinyal:

\[ \Delta f_{\text{corrected}} = \Delta f_{\text{raw}} - \beta\,\Delta RH \]

olarak hesaplanır. Matematiksel olarak \(\beta\Delta RH\), mevcut nem değişiminin söz konusu sensörde oluşturması beklenen frekans kaymasıdır. Bu terimin çıkarılması, aynı ölçümdeki su etkisini analit etkisinden ayırmayı amaçlar.

Su afinitesi katsayısı β nasıl kalibre edildi?

Her sekiz kanal için üç kontrollü su buharı maruziyeti yapılmıştır. Her enjeksiyonda frekans kayması karşılık gelen \(\Delta RH\) değerine bölünmüş, tekrarlar kullanılarak sensöre özgü \(\beta\) katsayısı elde edilmiştir.

Üç su enjeksiyonundan önceki ortam koşullarının ortalaması 26.8 ± 2.0% RH ve 25.0 ± 0.7 °C olarak verilmiştir. Sayfa 5 ve 18'deki su afinitesi grafikleri, işlevselleştirilmiş dört kanalın çıplak kanallara göre belirgin biçimde daha yüksek mutlak su tepkisi verdiğini göstermektedir.

Çalışmanın Yöntemi ve Bulguları

PEA ve Cis3 için ham sensör tepkileri

VOC enjeksiyonları sırasında peptit işlevselleştirilmiş kanalların frekans değişimleri çıplak sensörlerden çok daha büyüktür. Bununla birlikte ham çıplak CMUT sinyallerinin işareti pozitiftir. Bunun nedeni analit enjeksiyonunda bağıl nemin düşmesidir: \(\beta\) negatif olduğu için negatif \(\Delta RH\), pozitif nem kaynaklı frekans kaymasına yol açar.

Bu sonuç, özellikle çıplak sensörlerde ham sinyalin büyük bölümünün özgül VOC bağlanmasından değil, enjeksiyon sırasında birlikte değişen nemden kaynaklandığını göstermektedir.

Harici nem düzeltmesi

Harici yaklaşımda Honeywell nem sensörü tarafından ölçülen \(\Delta RH\), her kanalın daha önce kalibre edilmiş \(\beta\) katsayısıyla çarpılarak ham frekans sinyalinden çıkarılmıştır.

Çıplak sensörlerin sıfıra yaklaşması, onların ham tepkisinin gerçekten büyük ölçüde nem tarafından üretildiğini destekleyen önemli bir deneysel kontroldür.

Dahili Nem Referanslaması Harici Nem Sensörü Olmadan Nasıl Çalışır?

Dahili nem referanslamasında S1–S4 çıplak CMUT kanallarının PEA ve Cis3'e özgül tepkisinin nem tepkisine kıyasla küçük olduğu varsayılır ve bu dört kanalın ortak frekans değişimi aynı çip üzerindeki yerel nem göstergesi olarak kullanılır; böylece işlevselleştirilmiş S5–S8 kanallarından nem bileşeni çıkarılır ve VOC ölçümü sırasında ayrı bir harici nem sensörüne ihtiyaç kalmaz.

Dahili düzeltmede peptit işlevselleştirilmiş kanalların grup ortalamaları PEA için −58.5 ± 7.5 kHz, Cis3 için −36.1 ± 5.7 kHz olmuştur. Çıplak kanallar düzeltme referansını oluşturdukları için bu şemada artık sinyal olarak sıfıra oturur.

Bu yaklaşımın önemli donanımsal avantajı, nemin VOC sensörlerinden farklı bir noktada değil doğrudan aynı çip ve aynı ölçüm hacminde örneklenmesidir. Böylece harici probun akışkan hattı boyunca oluşturabileceği zaman gecikmesi, boru duvarlarında su adsorpsiyonu/desorpsiyonu ve sıcaklık gradyanı gibi etkiler azaltılır.

Bununla birlikte dahili yaklaşımın temel varsayımı kusursuz değildir. Çıplak CMUT'lar PEA ve Cis3'e tamamen duyarsız değildir. Bu çapraz hassasiyet, gerçek VOC sinyalinin küçük bir bölümünün de “nem” olarak çıkarılmasına neden olabilir. Yazarlar dahili düzeltmede elde edilen \(\alpha\) değerlerinin harici düzeltmeden biraz daha düşük olmasını bu etkiyle ilişkilendirmektedir.

VOC afinitesi α

Nemden arındırılmış frekans kayması, analitin 25 °C'deki tahmini doygun headspace konsantrasyonuna bölünerek sensöre özgü VOC afinitesi tanımlanmıştır:

\[ \alpha = \frac{\Delta f_{\text{VOC}}}{C_{\text{sat}}} \]

• \(\alpha\): VOC afinitesi, kHz/ppm.
• \(\Delta f_{\text{VOC}}\): nemden arındırılmış frekans kayması, kHz.
• \(C_{\text{sat}}\): analitin 25 °C'deki kullanılan doygun buhar konsantrasyonu, ppm.

Makale özetinde işlevselleştirilmiş kanallar boyunca dahili düzeltme için ortalama \(\alpha\) değeri PEA'da −3.44 ± 0.52 kHz/ppm, Cis3'te −0.026 ± 0.003 kHz/ppm olarak raporlanmıştır.

Cis3 için \(\alpha\)'nın mutlak değerinin PEA'ya göre yaklaşık iki mertebe küçük olması yalnız ham frekans tepkisinin daha düşük olmasından kaynaklanmaz. Hesaplamada kullanılan doygun konsantrasyonlar da çok farklıdır: PEA için 17 ppm, Cis3 için 1387 ppm. Kaynak yazarları farkı hem moleküler kütle hem de Cis3'ün çok daha yüksek gaz fazı doygun konsantrasyonuyla ilişkilendirmektedir.

Dış ve iç düzeltmenin belirsizlikleri

Harici Honeywell HIH6131-021-001 sensörünün belirtilen doğruluğu ±4 %RH'dir. İşlevselleştirilmiş sensörlerin −1.92 ile −3.06 kHz/%RH arasındaki su afiniteleri dikkate alındığında, bu özellik düzeltilmiş frekans üzerinde yaklaşık 8–12 kHz belirsizliğe karşılık gelir.

Buna karşılık tekrarlanan su enjeksiyonlarında çıplak CMUT kanallarındaki artık frekans standart sapmaları S1–S4 için sırasıyla 1.16, 0.94, 2.12 ve 0.90 kHz bulunmuştur. Kanalın \(\beta\) değeri kullanılarak nem eşdeğerine dönüştürüldüğünde:

elde edilmiştir. Yazarlar bu sonucu, dahili referanslamanın kullanılan harici probdan yaklaşık iki kat daha iyi bir nem referansı sağladığı şeklinde değerlendirmektedir.

CMUT'ların kendi frekans gürültüsü onlarca hertz mertebesindedir ve burada incelenen kHz büyüklüğündeki sinyallere kıyasla çok küçüktür. Dolayısıyla çalışmada düzeltmenin sınırını CMUT rezonans gürültüsünden ziyade nem referansı ve çapraz VOC hassasiyeti belirlemektedir.

Nem düzeltme belirsizliğinin VOC konsantrasyonuna etkisi

Yazarlar yaklaşık %2 RH dahili nem belirsizliğini önce sensöre özgü \(\beta\) üzerinden frekans belirsizliğine, daha sonra \(\alpha\) üzerinden VOC konsantrasyonu belirsizliğine çevirmiştir.

Bu analizde PEA ölçümü nem düzeltme doğruluğu tarafından sınırlanmamaktadır; Cis3 için ise düzeltme belirsizliği önemli hale gelmektedir. Bu sonuç aynı yöntemin her VOC ve konsantrasyon için aynı nicel performansı vermeyeceğini açıkça gösterir.

PCA Analizi Nem Düzeltmesinin Analit Ayrımını Nasıl Gösteriyor?

PCA analizi, ham sekiz kanallı tepki vektörlerini L2 normalizasyonundan sonra iki ana bileşene indirger ve PEA ile Cis3 kümelerinin birbirine göre uzaklığını görünür hale getirir; tam sensör dizisinde nem düzeltmesi inter/intra ayrım oranını yaklaşık 1.4'ten 3.0'a çıkarırken analit ayrımını yalnız %0.7 varyans taşıyan ikinci bileşenden %86.4 varyans taşıyan birinci bileşene taşımıştır.

Her enjeksiyon, sekiz sensörden alınan bir tepki imzası oluşturmuştur. Bu vektörler L2 normuyla normalize edilmiş ve Principal Component Analysis (PCA) kullanılarak iki boyuta projekte edilmiştir.

Sınıflar arası uzaklık, PEA ve Cis3 küme merkezlerinin Öklid uzaklığı olarak; sınıf içi uzaklık ise kümelerin ortalama yayılımı olarak tanımlanmıştır. Kullanılan ayrım metriği:

\[ R_{\text{sep}} = \frac{D_{\text{inter}}}{D_{\text{intra}}} \]

şeklindedir. \(R_{\text{sep}}>1\), sınıflar arası uzaklığın sınıf içi yayılımdan büyük olduğu anlamına gelir.

Sayfa 10 ve 21'deki dört PCA paneli bu sonucu özellikle açık gösterir. Yalnız çıplak sensörler kullanıldığında nem düzeltmesi yapılsa bile analit kümeleri güvenilir biçimde ayrılmaz. Peptit işlevselleştirilmiş kanallar eklendiğinde düzeltilmemiş veride oran 1.42'ye çıkar; fakat bu durumda PEA-Cis3 ayrımı toplam varyansın yalnız yaklaşık %0.7'sini taşıyan PC2 boyunca ortaya çıkar.

Nem düzeltilmiş sekiz kanallı veride ise inter/intra oranı 3.00'dır ve ayrımın ana yönü %86.4 varyans taşıyan PC1 olur. Bu, nem düzeltmesinin yalnız sinyal genliğini küçültmediğini; analite özgü varyansı veri uzayının baskın bileşeni haline getirdiğini göstermektedir.

Neden peptit işlevselleştirme ve nem düzeltmesi birlikte gerekli?

Yalnız nem düzeltmesi çıplak sensörlerde yeni bir moleküler seçicilik yaratamaz. Aynı şekilde peptit sensörleri nem düzeltilmeden kullanıldığında analite özgü bilgi mevcut olsa da nem kaynaklı varyans tarafından kısmen maskelenir. Çalışmanın merkezi sonucu bu iki katmanın tamamlayıcı olmasıdır:

• Peptit işlevselleştirme: analite bağlı kanal farklılığı oluşturur.
• Nem düzeltmesi: ortak çevresel girişimi bastırır.
• Çok kanallı PCA: kalan analite özgü desenin sınıflar arası ayrımını ortaya çıkarır.

Dahili ve harici düzeltmenin PCA performansı

Yazarlar her iki nem düzeltme stratejisinin analit sınıf ayrımı bakımından eşdeğer performans verdiğini ve bir yaklaşımın diğerine göre istatistiksel olarak anlamlı üstünlük göstermediğini belirtmektedir. PCA'nın devamındaki analizlerde bu nedenle harici düzeltme referans koşulu olarak tutulmuştur.

Dahili düzeltmenin avantajı PCA oranında ek bir artış sağlamasından değil, sistem mimarisini küçültmesinden ve aynı mikroçevrede senkron nem referansı sağlamasından kaynaklanmaktadır.

Çalışmanın desteklediği sonuçlar

• CMUT dizisinde bağıl nem değişimi VOC kaynaklı frekans sinyalini güçlü biçimde maskeleyebilir.
• Her kanal için su afinitesi \(\beta\) kalibre edilerek nem etkisi birinci dereceden doğrusal modelle çıkarılabilir.
• PEA ve Cis3 için çıplak S1–S4 sensörleri yerinde nem referansı olarak kullanılabilir.
• Peptit işlevselleştirilmiş kanallar analit seçiciliği için gereklidir.
• Tam sensör dizisinde nem düzeltmesi PCA inter/intra oranını 1.42'den 3.00'a yükseltmiştir.
• Dahili düzeltme, kullanılan ±4 %RH doğruluklu harici Honeywell probuna kıyasla tekrarlar arasında daha düşük nem referans hatası göstermiştir.
• CMUT'un kendi frekans gürültüsü bu deneylerde temel sınırlayıcı unsur değildir.

Çalışmanın desteklemediği sonuçlar

• Çalışma, sistemin gerçek hasta nefesinde veya enfekte yara headspace'inde klinik tanı doğruluğunu kanıtlamaz.
• PEA ve Cis3 dışında diğer VOC'lere aynı seçicilik değerlerinin taşınabileceğini göstermez.
• Karma VOC karışımlarının güvenilir biçimde ayrıldığını göstermez.
• Düşük ppb düzeylerinde gerçek klinik biyobelirteç algılama sınırı belirlenmemiştir.
• Çıplak sensörlerin tüm VOC'lere tamamen duyarsız olduğu kanıtlanmamıştır; tersine kaynak bunu dahili düzeltmenin sınırlılığı olarak tanımlar.
• Doğrusal nem modelinin tüm RH aralığı, tüm sıcaklıklar ve tüm dinamik koşullar için evrensel olduğu gösterilmemiştir.
• PCA'daki 3.00 ayrım oranı klinik sınıflandırma doğruluğu veya tanısal duyarlılık/özgüllük anlamına gelmez.

Gelecek çalışmalar

Kaynak yazarları yöntemin VOC karışımlarına, fizyolojik ve çevresel olarak daha anlamlı düşük konsantrasyonlara ve farklı hedef analitlere genişletilmesini önermektedir. Ayrıca peptit dizilerinin hedef VOC paneline göre sistematik olarak optimize edilmesi ve dahili referans kanallarının VOC çapraz hassasiyetinin azaltılması temel geliştirme alanlarıdır.

Kaynak ve Yöntem Notu

Özgün çalışma:Eight-channel parallel CMUT array with onboard humidity correction and peptide-modulated VOC affinity for electronic nose applications.

Yazarlar: Romain Dubreuil, Cyril Herrier, Thierry Livache ve Bruno Fain.

Kaynak PDF'deki kurumlar: Olfaktion, Grenoble; Univ. Grenoble Alpes–CEA–Leti; ayrıca Univ. Grenoble Alpes–CEA–CNRS–Grenoble-INP–IRIG-SyMMES. SSRN kaydı Romain Dubreuil'ü iletişim yazarı olarak göstermektedir.

DOI: 10.2139/ssrn.7198335.

Platform: SSRN.

Yayın tarihi/statüsü: SSRN kaydında 28 Temmuz 2026'da yüklenmiş 21 sayfalık preprint. Kaynak PDF açık biçimde hakem değerlendirmesinden geçmediğini belirtmektedir.

Bilimsel çalışma türü: Kontrollü laboratuvar gaz sensörü deneyi, sinyal düzeltme modeli ve PCA tabanlı çok değişkenli analiz.

Finansman: Çalışma Avrupa Birliği Horizon 2020 araştırma ve yenilik programından Grant Agreement No. 964529 kapsamında finansman almış; ayrıca BPI France tarafından finanse edilen Silinose projesi (2020-PSPC-5) tarafından kısmen desteklenmiştir.

Veri erişilebilirliği: Kaynakta “Data will be made available on request” ifadesi bulunmaktadır; veri talep üzerine sunulacaktır.

Üretken yapay zekâ kullanımı: Yazarlar çalışma hazırlanırken metin formülasyonunu iyileştirmek ve şekillerin gösteriminde kullanılan Python koduna yardımcı olmak amacıyla Anthropic Claude AI kullandıklarını; içeriği daha sonra kendilerinin gözden geçirip düzenlediklerini ve bilimsel sorumluluğu üstlendiklerini beyan etmektedir.

Çıkar çatışması: Yüklenen metinde ayrı ve açık bir çıkar çatışması beyanı tespit edilmemiştir; bu nedenle herhangi bir beyan uydurulmamıştır.

Temel yöntemsel sınır: Çalışma iki model VOC'yi, PEA ve Cis3'ü laboratuvar headspace koşullarında inceler. Düşük konsantrasyonlu karışımlar, klinik örnekler, saha koşulları ve uzun dönem sensör kararlılığı bu deney kapsamında doğrulanmamıştır.

Reproducibility notu: S5–S8'in peptitlerle işlevselleştirildiği ve önceki protokollerin izlendiği belirtilmesine rağmen dört kanalın peptit kimlikleri/dizileri yüklenen makalenin yöntem metninde açık biçimde listelenmemektedir. Bu bilgi Verianla tarafından tamamlanmamıştır.

Telif/lisans: SSRN bibliyografik kaydı tüm hakların saklı olduğunu ve izin olmadan yeniden kullanım yapılamayacağını bildirmektedir. Bu nedenle kaynak grafiklerinin piksel düzeyinde kopyalanması yerine bilimsel ilişkilerin özgün Verianla grafik ve şemalarıyla yeniden ifade edilmesi uygundur.