MétaCan
Menu
Retour à la cohorte
Enregistrement W2418646128 · doi:10.1385/1-59259-650-9:15

DNA Delivery to Cells in Culture: Generation of Adenoviral Libraries for High-Throughput Functional Screening

2004· article· en· W2418646128 sur OpenAlexaff
M. Ogorelkova, Seyyed Mehdy Elahi, David Gagnon, Bernard Massie

Notice bibliographique

RevueHumana Press eBooks · 2004
Typearticle
Langueen
DomaineMedicine
ThématiqueMonoclonal and Polyclonal Antibodies Research
Établissements canadiensMontreal Clinical Research Institute
Organismes subventionnairesnon disponible
Mots-clésBiologyComputational biologyProteomicsFunctional genomicsPeptide libraryGeneDNAPhage displayDNA sequencingProtein engineeringFunction (biology)RNAPeptideGeneticsGenomeGenomicsBiochemistryEnzymePeptide sequence

Résumé

récupéré en direct d'OpenAlex

In functional genomics, the use of expression libraries of DNA variants in combination with potent screening techniques is a powerful tool for gene discovery. They allow study of gene and protein function, generation of peptide variants with novel properties, as well as identification of functional short DNA and RNA motifs. In proteomics, generation of large expression libraries of protein variants with random substitutions ("directed evolution") and further screening for novel or improved functions has been commonly used for isolation of proteins with novel characteristics, for improving enzymes, for rapid isolation of antibodies, and for functional protein studies. Most commonly, peptide libraries are expressed and screened in prokaryotic systems. Such systems have the advantage of rapid and simple generation of clones expressing single variants, allow high diversity (up to 10(11)), and can be combined with phage- or cell-surface display technique (2). The main disadvantage of bacterial systems is the absence of posttranslational modifications and native folding of many mammalian proteins, leading to limited applications, particularly when enzyme-substrate-, protein-protein, or protein-RNA interactions are to be studied.

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)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut 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 enseignants0,295
Score d'incertitude au seuil0,443

Scores Codex et Gemma par catégorie

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 recherche0,0000,000
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 Opus0,147
Tête enseignante GPT0,314
Écart entre enseignants0,166 · 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.

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

Citations12
Publié2004
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueHumana Press eBooksMême sujetMonoclonal and Polyclonal Antibodies ResearchTravaux en français237 207