MétaCan
Menu
Retour à la cohorte
Enregistrement W1774276754 · doi:10.3126/ijasbt.v3i3.12891

DNA extraction technique for different rice varieties grown in Sri Lanka

2015· article· en· W1774276754 sur OpenAlexfundno aff
Ranganathan Kapilan

Notice bibliographique

RevueInternational Journal of Applied Sciences and Biotechnology · 2015
Typearticle
Langueen
DomaineAgricultural and Biological Sciences
ThématiqueGenetically Modified Organisms Research
Établissements canadiensnon disponible
Organismes subventionnairesUniversity of Alberta
Mots-clésDNA extractionDNASri lankaExtraction (chemistry)ChromatographyAgaroseBiotechnologyBiologyMathematicsChemistryPolymerase chain reactionEnvironmental scienceGeneBiochemistry

Résumé

récupéré en direct d'OpenAlex

Extraction of DNA is very important nowadays in bio-molecular researches. Extracted DNA should be purified and the quality of DNA should also be very high. The objective of the study was to develop a simple efficient method to isolate DNA from the rice varieties in an open laboratory environment, and to eliminate the usage of expensive chemicals and tools. The DNA extraction methods developed by the DNeasy plant kit method supplied by QIAGEN, Cheng et al., Doyle et al. and Michiels et al. were applied to five different rice varieties grown in different parts of Sri Lanka. Based on the quantity and quality of the extracted DNA tested by measuring the absorbance of DNA at 260 nm using Nanodrop® ND-1000 spectrophotometer and measuring the ratio of A260 / A280 and gel running on agarose, the efficiency of the extraction method chosen varied among rice varieties. Among the methods used, the methods introduced by DNeasy plant kit method supplied by QIAGEN and Cheng et al, yielded good and amplifiable quality DNA with satisfactory concentration for all the rice varieties tested. Therefore the modified method of Cheng et al, 1987 could be used to extract DNA from rice varieties instead of the commercially available expensive and hazardous DNeasy plant kit method supplied by QIAGEN.Int J Appl Sci Biotechnol, Vol 3(3): 398-401

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 distillée sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut 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: Empirique
Score de désaccord entre enseignants0,087
Score d'incertitude au seuil0,120

Scores Codex et Gemma par catégorie

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

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 Opus0,043
Tête enseignante GPT0,293
Écart entre enseignants0,251 · 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 tête enseignante, 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

Citations0
Publié2015
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueInternational Journal of Applied Sciences and BiotechnologyMême sujetGenetically Modified Organisms ResearchTravaux en français237 207