Dual gradients of light intensity and nutrient concentration for full-factorial mapping of photosynthetic productivity
Notice bibliographique
Résumé
Optimizing bioproduct generation from microalgae is complicated by the myriad of coupled parameters affecting photosynthetic productivity. Quantifying the effect of multiple coupled parameters in full-factorial fashion requires a prohibitively high number of experiments. We present a simple hydrogel-based platform for the rapid, full-factorial mapping of light and nutrient availability on the growth and lipid accumulation of microalgae. We accomplish this without microfabrication using thin sheets of cell-laden hydrogels. By immobilizing the algae in a hydrogel matrix we are able to take full advantage of the continuous spatial chemical gradient produced by a diffusion-based gradient generator while eliminating the need for chambers. We map the effect of light intensities between 0 μmol m(-2) s(-1) and 130 μmol m(-2) s(-1) (∼28 W m(-2)) coupled with ammonium concentrations between 0 mM and 7 mM on Chlamydomonas reinhardtii. Our data set, verified with bulk experiments, clarifies the role of ammonium availability on the photosynthetic productivity Chlamydomonas reinhardtii, demonstrating the dependence of ammonium inhibition on light intensity. Specifically, a sharp optimal growth peak emerges at approximately 2 mM only for light intensities between 80 and 100 μmol m(-2) s(-1)- suggesting that ammonium inhibition is insignificant at lower light intensities. We speculate that this phenomenon is due to the regulation of the high affinity ammonium transport system in Chlamydomonas reinhardtii as well as free ammonia toxicity. The complexity of this photosynthetic biological response highlights the importance of full-factorial data sets as enabled here.
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 ».