MétaCan
Menu
Retour à la cohorte
Enregistrement W2060231596 · doi:10.1155/2010/621645

Dynamic Metabolic Flux Analysis Demonstrated on Cultures Where the Limiting Substrate Is Changed from Carbon to Nitrogen and<i>Vice Versa</i>

2010· article· en· W2060231596 sur OpenAlexaff
Gaspard Lequeux, Joeri Beauprez, Jo Maertens, Ellen Van Horen, Wim Soetaert, Erick Vandamme, Peter A. Vanrolleghem

Notice bibliographique

RevueJournal of Biomedicine and Biotechnology · 2010
Typearticle
Langueen
DomaineBiochemistry, Genetics and Molecular Biology
ThématiqueMicrobial Metabolic Engineering and Bioproduction
Établissements canadiensUniversité Laval
Organismes subventionnairesVlaamse regeringFonds Wetenschappelijk Onderzoek
Mots-clésMetabolic flux analysisVersaFlux (metallurgy)Biological systemSubstrate (aquarium)SmoothingLagLimitingTransient (computer programming)Steady state (chemistry)Carbon fibersNitrogenWork (physics)Transformation (genetics)PolynomialMathematicsComputer scienceChemistryPhysicsBiologyMetabolismStatisticsThermodynamicsEngineeringEcologyBiochemistryAlgorithmMathematical analysis

Résumé

récupéré en direct d'OpenAlex

The main requirement for metabolic flux analysis (MFA) is that the cells are in a pseudo-steady state, that there is no accumulation or depletion of intracellular metabolites. In the past, the applications of MFA were limited to the analysis of continuous cultures. This contribution introduces the concept of dynamic MFA and extends MFA so that it is applicable to transient cultures. Time series of concentration measurements are transformed into flux values. This transformation involves differentiation, which typically increases the noisiness of the data. Therefore, a noise-reducing step is needed. In this work, polynomial smoothing was used. As a test case, dynamic MFA is applied on Escherichia coli cultivations shifting from carbon limitation to nitrogen limitation and vice versa. After switching the limiting substrate from N to C, a lag phase was observed accompanied with an increase in maintenance energy requirement. This lag phase did not occur in the C- to N-limitation case.

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 enseignants0,026
Score d'incertitude au seuil0,380

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,001
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 Opus0,004
Tête enseignante GPT0,221
Écart entre enseignants0,218 · 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

Citations35
Publié2010
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of Biomedicine and BiotechnologyMême sujetMicrobial Metabolic Engineering and BioproductionTravaux en français237 207