MétaCan
Menu
Retour à la cohorte
Enregistrement W2064198640 · doi:10.1039/c3lc50625h

Technologies for label-free separation of circulating tumor cells: from historical foundations to recent developments

2013· review· en· W2064198640 sur OpenAlexafffund
Chao Jin, Sarah M. McFaul, Simon P. Duffy, Xiaoyan Deng, Peyman Tavassoli, Peter C. Black, Hongshen Ma

Notice bibliographique

RevueLab on a Chip · 2013
Typereview
Langueen
DomaineEngineering
ThématiqueMicrofluidic and Bio-sensing Technologies
Établissements canadiensVancouver General HospitalUniversity of British Columbia
Organismes subventionnairesCanadian Institutes of Health Research
Mots-clésCirculating tumor cellFlexibility (engineering)BiomarkerComputational biologyEpithelial–mesenchymal transitionMetastasisBiologyChemistryNanotechnologyComputer scienceMaterials scienceCancerBiochemistry

Résumé

récupéré en direct d'OpenAlex

Circulating tumor cells (CTCs) are malignant cells shed into the bloodstream from a tumor that have the potential to establish metastases in different anatomical sites. The separation and subsequent characterization of these cells is emerging as an important tool for both biomarker discovery and the elucidation of mechanisms of metastasis. Established methods for separating CTCs rely on biochemical markers of epithelial cells that are known to be unreliable because of epithelial-to-mesenchymal transition, which reduces expression for epithelial markers. Emerging label-free separation methods based on the biophysical and biomechanical properties of CTCs have the potential to address this key shortcoming and present greater flexibility in the subsequent characterization of these cells. In this review we first present what is known about the biophysical and biomechanical properties of CTCs from historical studies and recent research. We then review biophysical label-free technologies that have been developed for CTC separation, including techniques based on filtration, hydrodynamic chromatography, and dielectrophoresis. Finally, we evaluate these separation methods and discuss requirements for subsequent characterization of CTCs.

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)0,001
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: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Synthèse · Signal consensuel: Synthèse
Score de désaccord entre enseignants0,002
Score d'incertitude au seuil0,008

Scores du classifieur distillé par catégorie (deux têtes)

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

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 Opus0,084
Tête enseignante GPT0,310
Écart entre enseignants0,226 · 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'étudeSans objet
Domainenon disponible
GenreSynthèse

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations195
Publié2013
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueLab on a ChipMême sujetMicrofluidic and Bio-sensing TechnologiesTravaux en français237 207