MétaCan
Menu
Retour à la cohorte
Enregistrement W1605966234 · doi:10.5772/30726

Increasing Recombinant Protein Production in E. coli by an Alternative Method to Reduce Acetate

2012· book-chapter· en· W1605966234 sur OpenAlexfundno aff
Hendrik Waegeman, Marjan De Mey

Notice bibliographique

RevueInTech eBooks · 2012
Typebook-chapter
Langueen
DomaineBiochemistry, Genetics and Molecular Biology
ThématiqueMicrobial Metabolic Engineering and Bioproduction
Établissements canadiensnon disponible
Organismes subventionnairesBijzonder Onderzoeksfonds UGentUniversiteit GentInstitute for Catastrophic Loss Reduction
Mots-clésRecombinant DNAProduction (economics)ChemistryBiochemistryEconomicsMicroeconomicsGene

Résumé

récupéré en direct d'OpenAlex

Since the development of recombinant DNA technology (Cohen et al., 1973), it became possible to express heterologous genes in proor eukaryotic hosts, i.e. genes which they naturally not express. This development enabled the production of all kinds of products of which the high-added value recombinant proteins, became increasingly important and as such boosted biopharmaceutical and industrial enzyme applications. Up to now, the FDA (Food and Drug Administration) and EMEA (European Medicines Agency) have licensed the application of more than 150 recombinant proteins to be used as a pharmaceutical (Ferrer-Miralles et al., 2009). Global sales of biopharmaceuticals are estimated to account for US$70–80 Billion today (Walsh, 2010). Industrial enzymes (e.g. proteases, amylases, lipases, cellulases, pullulanases, pectinases) are used in various industrial segments and the industrial enzyme market is still expanding, estimated to reach US$ 3.74 Billion by the year 2015 (Global Industry Analysts, 2011). To date, the majority of this industrial enzyme market value is generated by recombinant processes (Hodgson, 1994; Demain & Vaishnav, 2009).

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,003
Score d'incertitude au seuil0,010

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,000
Communication savante0,0010,001
Science ouverte0,0010,001
Intégrité de la recherche0,0010,002
Charge utile insuffisante (le modèle a refusé de juger)0,0030,008

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.

Tête enseignante Opus0,017
Tête enseignante GPT0,272
Écart entre enseignants0,255 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeExpérimental (laboratoire)
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations12
Publié2012
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueInTech eBooksMême sujetMicrobial Metabolic Engineering and BioproductionTravaux en français237 207