MétaCan
Menu
Retour à la cohorte
Enregistrement W2549489409 · doi:10.1139/er-2016-0046

Antimicrobial nanomaterials against biofilms: an alternative strategy

2016· article· en· W2549489409 sur OpenAlexaffvenue
Chunhua Liu, Jing Guo, Xiaoqing Yan, Yongbing Tang, Asit Mazumder, Shikai Wu, Yan Liang

Notice bibliographique

RevueEnvironmental Reviews · 2016
Typearticle
Langueen
DomaineMaterials Science
ThématiqueNanoparticles: synthesis and applications
Établissements canadiensUniversity of Victoria
Organismes subventionnairesChinese Academy of SciencesNational Natural Science Foundation of China
Mots-clésAntimicrobialBiofilmBiochemical engineeringNanotechnologyBiotechnologyBiologyMicrobiologyMaterials scienceEngineeringBacteria

Résumé

récupéré en direct d'OpenAlex

Microbial adhesion to surfaces and the consequent biofilm formation under various environmental conditions is a common ecological phenomenon. Although biofilms play crucial beneficial roles in many processes, they can also cause serious problems for food, biomedical, environmental, and industrial sectors, leading to higher costs of production and equipment maintenance, and negative public health and environmental impacts. Biofilms are difficult to eradicate due to their resistance to conventional antimicrobial applications. Consequently, attention has been devoted to new emerging nanomaterials for their remarkable antimicrobial function. Understanding the inactivation mechanisms is the key to increase the efficiency of nanoparticles (NPs) and enhance the feasibility of their application against various microorganisms under different environments. In this paper, we review the activities of NPs as antimicrobial agents. We also discuss the mechanisms and factors contributing to antimicrobial properties of NPs. In addition, we describe some of the approaches employing NPs as effective antimicrobial agent, and associated challenges and problems in developing NPs as effective antibiofilm agents.

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 candidatesCharge utile insuffisante (le modèle a refusé de juger)
Catégories consensuellesCharge utile insuffisante (le modèle a refusé de juger)
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 enseignants0,083
Score d'incertitude au seuil0,999

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)0,0020,007

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 Opus0,031
Tête enseignante GPT0,267
Écart entre enseignants0,235 · 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.

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

Citations51
Publié2016
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueEnvironmental ReviewsMême sujetNanoparticles: synthesis and applicationsTravaux en français237 207