MétaCan
Menu
Retour à la cohorte
Enregistrement W2287650212 · doi:10.1021/acsnano.5b07102

Enzyme-Powered Three-Dimensional DNA Nanomachine for DNA Walking, Payload Release, and Biosensing

2016· article· en· W2287650212 sur OpenAlexafffund
Xiaolong Yang, Yanan Tang, Sean D. Mason, Junbo Chen, Feng Li

Notice bibliographique

RevueACS Nano · 2016
Typearticle
Langueen
DomaineBiochemistry, Genetics and Molecular Biology
ThématiqueAdvanced biosensing and bioanalysis techniques
Établissements canadiensBrock University
Organismes subventionnairesBrock UniversityNatural Sciences and Engineering Research Council of CanadaGovernment of Canada
Mots-clésPayload (computing)BiosensorNanotechnologyDNAEnzymeBiophysicsMaterials scienceChemistryComputer scienceBiologyBiochemistryComputer network

Résumé

récupéré en direct d'OpenAlex

Herein, we report a DNA nanomachine, built from a DNA-functionalized gold nanoparticle (DNA-AuNP), which moves a DNA walker along a three-dimensional (3-D) DNA-AuNP track and executes the task of releasing payloads. The movement of the DNA walker is powered by a nicking endonuclease that cleaves specific DNA substrates on the track. During the movement, each DNA walker cleaves multiple substrates, resulting in the rapid release of payloads (predesigned DNA sequences and their conjugates). The 3-D DNA nanomachine is highly efficient due to the high local effective concentrations of all DNA components that have been co-conjugated on the same AuNP. Moreover, the activity of the 3-D DNA nanomachine can be controlled by introducing a protecting DNA probe that can hybridize to or dehybridize from the DNA walker in a target-specific manner. This property allows us to tailor the DNA nanomachine into a DNA nanosensor that is able to achieve rapid, isothermal, and homogeneous signal amplification for specific nucleic acids in both buffer and a complicated biomatrix.

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 enseignants0,001
Score d'incertitude au seuil0,002

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
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 recherche0,0010,001
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 Opus0,008
Tête enseignante GPT0,249
Écart entre enseignants0,241 · 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

Citations365
Publié2016
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueACS NanoMême sujetAdvanced biosensing and bioanalysis techniquesTravaux en français237 207