MétaCan
Menu
Retour à la cohorte
Enregistrement W2115542080 · doi:10.1128/aem.66.3.1031-1037.2000

Selective Inhibition of the Oxidation of Ferrous Iron or Sulfur in <i>Thiobacillus ferrooxidans</i>

2000· article· en· W2115542080 sur OpenAlexafffund
Lesia Harahuc, Hector M. Lizama, Isamu Suzuki

Notice bibliographique

RevueApplied and Environmental Microbiology · 2000
Typearticle
Langueen
DomaineEngineering
ThématiqueMetal Extraction and Bioleaching
Établissements canadiensUniversity of Manitoba
Organismes subventionnairesNatural Sciences and Engineering Research Council of Canada
Mots-clésFerrousChemistrySulfurInorganic chemistryChlorideCyanidePhosphateLeaching (pedology)ThiobacillusNuclear chemistryBiochemistryOrganic chemistryGeology

Résumé

récupéré en direct d'OpenAlex

The oxidation of either ferrous iron or sulfur by Thiobacillus ferrooxidans was selectively inhibited or controlled by various anions, inhibitors, and osmotic pressure. Iron oxidation was more sensitive than sulfur oxidation to inhibition by chloride, phosphate, and nitrate at low concentrations (below 0.1 M) and also to inhibition by azide and cyanide. Sulfur oxidation was more sensitive than iron oxidation to the inhibitory effect of high osmotic pressure. These differences were evident not only between iron oxidation by iron-grown cells and sulfur oxidation by sulfur-grown cells but also between the iron and sulfur oxidation activities of the same iron-grown cells. Growth experiments with ferrous iron or sulfur as an oxidizable substrate confirmed the higher sensitivity of iron oxidation to inhibition by phosphate, chloride, azide, and cyanide. Sulfur oxidation was actually stimulated by 50 mM phosphate or chloride. Leaching of Fe and Zn from pyrite (FeS(2)) and sphalerite (ZnS) by T. ferrooxidans was differentially affected by phosphate and chloride, which inhibited the solubilization of Fe without significantly affecting the solubilization of Zn.

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)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: metacan-v3-hybrid-931329e0061cStatut 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 enseignants0,003
Score d'incertitude au seuil0,006

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0010,000
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 Opus0,004
Tête enseignante GPT0,162
Écart entre enseignants0,158 · 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'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

Citations93
Publié2000
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueApplied and Environmental MicrobiologyMême sujetMetal Extraction and BioleachingTravaux en français237 207