MétaCan
Menu
Retour à la cohorte
Enregistrement W1825965305 · doi:10.1017/cbo9780511810954.005

Three-dimensional networks

2001· book-chapter· en· W1825965305 sur OpenAlexaff
David H. Boal

Notice bibliographique

RevueCambridge University Press eBooks · 2001
Typebook-chapter
Langueen
DomaineComputer Science
ThématiqueNeural Networks and Applications
Établissements canadiensSimon Fraser University
Organismes subventionnairesnon disponible
Mots-clésComputer science

Résumé

récupéré en direct d'OpenAlex

The filaments of the cell vary tremendously in their bending resistance, having a visual appearance ranging from ropes to threads if viewed in isolation on the length scale of a micron. Collections of these biological filaments have strikingly different structures: a bundle of stiff microtubules may display strong internal alignment, whereas a network of very flexible proteins may resemble the proverbial can of worms. Thus, the elastic behavior of multicomponent networks containing both stiff and floppy filaments may include contributions from the energy and the entropy of their constituents. In this chapter, we first review a selection of three-dimensional networks from the cell, and then establish the elastic properties of four different model systems, ranging from entropic springs to rattling rods. In the concluding section, these models are used to interpret, where possible, the measured characteristics of cellular networks. Networks of biological rods and ropes The filaments of the cytoskeleton and extracellular matrix collectively form a variety of chemically homogeneous and heterogeneous structures. Let's begin our discussion of these structures by describing two networks of microtubules found in the cell. The persistence length of microtubules is of the order of millimeters, such that microtubules bend only gently on the scale of microns and will not form contorted networks (see Section 2.5). For example, the microtubules of the schematic cell in Fig. 4.1(a) are not cross-linked, but rather extend like spikes towards the cell boundary, growing and shrinking with time.

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)0,001
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Théorique ou conceptuel · Signal consensuel: Théorique ou conceptuel
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,010
Score d'incertitude au seuil0,033

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0010,001
Communication savante0,0020,002
Science ouverte0,0010,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0100,002

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 Opus0,022
Tête enseignante GPT0,194
Écart entre enseignants0,172 · 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'étudeThéorique ou conceptuel
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
Publié2001
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueCambridge University Press eBooksMême sujetNeural Networks and ApplicationsTravaux en français237 207