MétaCan
Menu
Retour à la cohorte
Enregistrement W2145785970 · doi:10.2174/138620712801619140

Advances in Zebrafish High Content and High Throughput Technologies

2012· review· en· W2145785970 sur OpenAlexaff
Filip Miscevic, Ori D. Rotstein, Xiao‐Yan Wen

Notice bibliographique

RevueCombinatorial Chemistry & High Throughput Screening · 2012
Typereview
Langueen
DomaineBiochemistry, Genetics and Molecular Biology
ThématiqueZebrafish Biomedical Research Applications
Établissements canadiensSt. Michael's Hospital
Organismes subventionnairesnon disponible
Mots-clésZebrafishDanioDrug discoveryComputational biologyBiologyPharmacogenomicsHigh-content screeningDrug developmentComputer scienceBioinformaticsDrugGeneGeneticsCellPharmacology

Résumé

récupéré en direct d'OpenAlex

The zebrafish has emerged as an excellent transitional screening model system between cell-based assays, which are rapid and inexpensive but have limited physiological relevance, and higher vertebrate models, which have better physiological relevance, but are more time-consuming and expensive to deploy. As vertebrates, zebrafish maintain significant evolutionary proximity to humans and have been validated as robust models for drug research, studies of mechanism and behavioral genetics. Unlike higher vertebrate models, zebrafish are well-suited to high-throughput applications owing to their high fecundity, rapid extrauterine development and transparency during organogenesis enabling in vivo labeling and imaging. Recent advances have been made in automating high content and high-throughput zebrafish screens, with the goal of developing fully automated drug screening platforms. The application and continued development of these technologies holds potential clinical significance in drug discovery and elucidating disease mechanisms. Keywords: Chemical biology, drug development, high content, high throughput screen, pharmacogenomics, system automation, zebrafish, fully automated drug screening, Gene knockdown, Danio rerio

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)0,001
score de la tête « metaresearch » (Gemma)0,001
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict), Intégrité de la recherche
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 enseignants0,980
Score d'incertitude au seuil0,999

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,001
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0020,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0000,001
Communication savante0,0000,000
Science ouverte0,0020,002
Intégrité de la recherche0,0020,001
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 Opus0,043
Tête enseignante GPT0,324
Écart entre enseignants0,281 · 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.

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

Citations34
Publié2012
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueCombinatorial Chemistry & High Throughput ScreeningMême sujetZebrafish Biomedical Research ApplicationsTravaux en français237 207