Optimization of biomolecule separation by combining microscale filtration and design‐of‐experiment methods
Notice bibliographique
Résumé
There is considerable interest in developing microscale (i.e., high-throughput) methods that enable multiple filtration experiments to be run in parallel with smaller sample amounts and thus reduce the overall required time and associated cost to run the filtration tests. Previous studies to date have focused on simply evaluating the filtration capacity, not the separation performance. In this work, the stirred-well filtration (SWF) method was used in combination with design-of-experiment (DOE) methods to optimize the separation performance for three binary mixtures of bio-molecules: protein-protein, protein-polysaccharide, and protein-DNA. Using the parallel based format of the SWF method, eight constant-flux ultrafiltration experiments were conducted at once to study the effects of stirring conditions, permeate flux, and/or solution conditions (pH, ionic strength). Four separate filtration tests were conducted for each combination of process variables; in total, over 100 separate tests were conducted. The sieving coefficient and selectivity results are presented to match the DOE design format and enable a greater understanding of the effects of the different process variables that were studied. The method described herein can be used to rapidly determine the optimal combination of process factors that give the best separation performance for a range of membrane-based separations applications and thus obviate the need to run a large number of traditional lab-scale tests. Biotechnol. Bioeng. 2016;113: 2131-2139. © 2016 Wiley Periodicals, Inc.
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 enseignantsNi 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.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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.
score_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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».