MétaCan
Menu
Retour à la cohorte
Enregistrement W2086520510 · doi:10.4028/www.scientific.net/amr.810.127

Medical Applications of Fermentation Technology

2013· article· en· W2086520510 sur OpenAlexaff
Mahbuba Rahman

Notice bibliographique

RevueAdvanced materials research · 2013
Typearticle
Langueen
DomaineBiochemistry, Genetics and Molecular Biology
ThématiqueViral Infectious Diseases and Gene Expression in Insects
Établissements canadiensUniversity of British Columbia
Organismes subventionnairesnon disponible
Mots-clésFermentationBiopharmaceuticalBiotechnologyYeastIndustrial fermentationBiochemical engineeringDownstream processingChemistryFood scienceBiochemistryBiologyEngineering

Résumé

récupéré en direct d'OpenAlex

Fermentation, a process traditionally known for the anaerobic conversion of sugar to carbon dioxide and alcohol by yeast, now refers to an industrial process of manufacturing a wide variety of metabolites and biomaterials by using microorganisms or mammalian cells in a controlled culture environment. Fermentation can be performed in batch mode, continuous mode or in a combinatory, fed-batch mode, depending on the product of interest. Fermentation technology has long been known for the production of various medically important products such as antibiotics, solvents such as ethanol, intermediary compounds such as citric acid, probiotics such as yoghurt etc. New generation fermentation products include anti-viral drugs, therapeutic recombinant proteins and DNA, and monoclonal antibodies. Apart from the drugs, fermentation is also used for the commercial production of materials required for the development of diagnostic kits, drug delivery vehicles and medical devices. Fermentation technology remains at the heart of rapidly growing biopharmaceutical industry today, which is expected to expand even more in the days ahead, in parallel with the progress in novel, targeted drug discovery.

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 enseignants0,009
Score d'incertitude au seuil0,029

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,001
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0000,001
Bibliométrie0,0010,001
Études des sciences et des technologies0,0010,001
Communication savante0,0020,001
Science ouverte0,0010,001
Intégrité de la recherche0,0020,001
Charge utile insuffisante (le modèle a refusé de juger)0,0090,004

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 Opus0,014
Tête enseignante GPT0,373
Écart entre enseignants0,360 · 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

Citations17
Publié2013
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueAdvanced materials researchMême sujetViral Infectious Diseases and Gene Expression in InsectsTravaux en français237 207