Notice bibliographique
Résumé
Epi-fluorescence microscopy is available in most life sciences research laboratories, and when optimized can be a central laboratory tool. In this chapter, the epi-fluorescence light path is introduced and the various components are discussed in detail. Recommendations are made for incident lamp light sources, excitation and emission filters, dichroic mirrors, objective lenses, and charge-coupled device (CCD) cameras in order to obtain the most sensitive epi-fluorescence microscope. The even illumination of metal-halide lamps combined with new "hard" coated filters and mirrors, a high resolution monochrome CCD camera, and a high NA objective lens are all recommended for high resolution and high sensitivity fluorescence imaging. Recommendations are also made for multicolor imaging with the use of monochrome cameras, motorized filter turrets, individual filter cubes, and corresponding dyes being the best choice for sensitive, high resolution multicolor imaging. Images should be collected using Nyquist sampling and images should be corrected for background intensity contributions and nonuniform illumination across the field of view. Photostable fluorescent probes and proteins that absorb a lot of light (i.e., high extinction co-efficients) and generate a lot of fluorescence signal (i.e., high quantum yields) are optimal. A neuronal immune-fluorescence labeling protocol is also presented. Finally, in order to maximize the utility of sensitive wide-field microscopes and generate the highest resolution images with high signal-to-noise, advice for combining wide-field epi-fluorescence imaging with restorative image deconvolution is presented.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,053 | 0,024 |
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 source (Gemma direct ou Codex distillé), 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 ».