MétaCan
Menu
Retour à la cohorte
Enregistrement W2053870288 · doi:10.1109/cne.2007.369614

Nanoparticles and modified fluorescent proteins for imaging of transmembrane potential

2007· article· en· W2053870288 sur OpenAlexaff
Jay Nadeau, Christiane Hollmann, Rafael M. Khatchadourian, Samuel Clarke

Notice bibliographique

Revuenon disponible
Typearticle
Langueen
DomaineNeuroscience
ThématiqueNeuroscience and Neural Engineering
Établissements canadiensMcGill University
Organismes subventionnairesnon disponible
Mots-clésFörster resonance energy transferHyperpolarization (physics)FluorescenceBiophysicsDepolarizationMembrane potentialGreen fluorescent proteinOptogeneticsFluorescence-lifetime imaging microscopyChemistryNanotechnologyMaterials scienceNeuroscienceBiologyPhysicsBiochemistry

Résumé

récupéré en direct d'OpenAlex

Visual monitoring of membrane potential would be extremely useful for monitoring cell health and activity in any cultured neuron system. On long time scales, cell health in response to depolarization and/or hyperpolarization would be able to be quantified. If the reporter has sufficient time resolution, action potentials may be resolved, thus allowing for optical recordings from ensembles of neurons without growing cultures on multielectrode arrays. However, the creation of such probes is extremely challenging. Here we present preliminary results for two genetically-encoded systems: one based upon fluorescence resonance energy transfer (FRET) between nanoparticles and an engineered channel, and the second based upon fluorescence complementation (FC). The results suggest that chronic monitoring of neuronal potential is possible with these probes, at least on the scale of hundreds of milliseconds.

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 enseignants0,040
Score d'incertitude au seuil0,267

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 Opus0,024
Tête enseignante GPT0,257
Écart entre enseignants0,233 · 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
Publié2007
Routes d'admission1
Résumé présentoui

Explorer davantage

Même sujetNeuroscience and Neural EngineeringTravaux en français237 207