A fluorescence‐activated cell sorting subsystem for the Imaging FlowCytobot
Notice bibliographique
Résumé
Abstract Recent advances in plankton ecology have brought to light the importance of variability within populations and have suggested that cell‐to‐cell differences may influence ecosystem‐level processes such as species succession and bloom dynamics. Flow cytometric cell sorting has been used to capture individual plankton cells from natural water samples to investigate variability at the single cell level, but the crude taxonomic resolution afforded by the fluorescence and light scattering measurements of conventional flow cytometers necessitates sorting and analyzing many cells that may not be of interest. Addition of imaging to flow cytometry improves classification capability considerably: Imaging FlowCytobot, which has been deployed at the Martha's Vineyard Coastal Observatory since 2006, allows classification of many kinds of nano‐ and microplankton to the genus or even species level. We present in this paper a modified bench‐top Imaging FlowCytobot (IFCB‐Sorter) with the capability to sort both single cells and colonies of phytoplankton and microzooplankton from seawater samples. The cells (or subsets selected based on their images) can then be cultured for further manipulation or processed for analyses such as nucleic acid sequencing. The sorting is carried out in two steps: a fluorescence signal triggers imaging and diversion of the sample flow into a commercially available “catcher tube,” and then a solenoid‐based flow control system isolates each sorted cell along with 20 μ L of fluid.
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 | 0,001 | 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 | 0,001 | 0,001 |
| 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 ».