Science AMA Series: I’m Gang Zheng, Senior Scientist at the Princess Margaret Cancer Centre in Toronto, Canada. I fight cancer using light and nanoparticles built from porphyrins; the molecules responsible for green leaves and red blood! AMA!
Notice bibliographique
Résumé
Hi Reddit! I’m Gang Zheng, Senior Scientist at the Princess Margaret Cancer Center in Toronto, Canada. Our lab focused on creating clinically usable nanotechnology to combat cancer. Inspired by how plants use porphyrins to do photosynthesis, our colourful porphyrins self-assemble into biodegradable nanoparticles called “porphysomes”, which target cancer. Once they’re there, the now-coloured tumours can absorb laser light, heating and killing the tumour, and sparing healthy cells. But wait there’s more! We’ve also shown that these nanoparticles can be designed to do all sorts of medical imaging and therapeutics. We’ve used porphysomes for MRI, PET, fluorescence, photoacoustic imaging, ultrasound, photodynamic therapy, and drug delivery, all with a nanoparticle that, unlike others, can be metabolized by the body. Some have called porphysomes the “One particle to rule them all”. Check out our Lab Website HERE Whether it’s about porphyrins, cancer imaging, phototherapy, nanomedicine, or exotic food I recently attempted, I’m here to answer your questions. I’ll be back at 1 pm EST (10 am PST, 6 pm UTC) to answer your questions, ask me anything!
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,004 | 0,001 |
| Communication savante | 0,005 | 0,002 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,424 | 0,224 |
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 source (Gemma direct ou Codex distillé), 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 ».