MétaCan
Menu
Retour à la cohorte
Enregistrement W1915353445 · doi:10.1002/bit.25222

Fluorescence‐based soft sensor for at situ monitoring of chinese hamster ovary cell cultures

2014· article· en· W1915353445 sur OpenAlexafffund
Kaveh Ohadi, Hengameh Aghamohseni, Raymond L. Legge, Hector Budman

Notice bibliographique

RevueBiotechnology and Bioengineering · 2014
Typearticle
Langueen
DomaineBiochemistry, Genetics and Molecular Biology
ThématiqueViral Infectious Diseases and Gene Expression in Insects
Établissements canadiensUniversity of Waterloo
Organismes subventionnairesNatural Sciences and Engineering Research Council of Canada
Mots-clésChinese hamster ovary cellFluorophoreFluorescenceFluorescence spectroscopyBiological systemIn situChemistryBiologyAnalytical Chemistry (journal)BiochemistryChromatography

Résumé

récupéré en direct d'OpenAlex

Multi-wavelength fluorescence spectroscopy was investigated as a potential tool for use in monitoring key process variables that include: viable and dead cells, recombinant protein, glucose, and ammonia concentrations for Chinese hamster ovary (CHO) cells during cultivation.For the purpose of calibrating the fluorescence-based empirical model, cells were grown in batch mode with different initial glucose and glutamine concentrations.Spectrofluorometer settings were optimized to ensure reproducibility and accuracy of the acquired spectra. With the purpose of gaining qualitative insight into the evolution of the spectra, the trajectories of individual fluorophore peaks were studied during the cultivation process. Spectral changes related to biomass and secreted proteins were investigated by comparing the spectra at various stages during the downstream processing. A partial least square regression (PLSR) was used to formulate empirical models that related the input data set, i.e., the fluorescence excitation-emission matrix, to the actual state of the system including viable cell and dead cells and recombinant protein, glucose, and ammonia concentrations. The models exhibited accurate prediction ability for the process variables of interest.

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)0,000
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 enseignants0,012
Score d'incertitude au seuil0,501

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
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 ouverte0,0000,000
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 Opus0,006
Tête enseignante GPT0,237
Écart entre enseignants0,231 · 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

Citations28
Publié2014
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueBiotechnology and BioengineeringMême sujetViral Infectious Diseases and Gene Expression in InsectsTravaux en français237 207