Identification of mineral‐binding peptides that discriminate between chalcopyrite and enargite
Notice bibliographique
Résumé
ABSTRACT Innovative approaches to the separation of minerals and subsequent extraction of metals are imperative owing to the increasing mineralogical complexity of ore deposits that are difficult or even impossible to separate into slurries or solutions containing only the minerals or metals of interest. Low recovery of metal is typical for these complex deposits leading to significant losses to tailings. In addition, the minerals often contain impurities, some toxic, which are difficult and costly to control or manage during the processing of a concentrate or other mineral product. One example of this complex situation is the significant economic and environmental costs associated with diluting and processing copper concentrates containing arsenic (in the form of the mineral enargite, Cu3AsS4) in the production of pure copper. To overcome these separation problems, we have utilized phage display to identify peptides that demonstrate selective recognition of enargite and the arsenic‐free copper sulfide, chalcopyrite. Screening of two random peptide phage display libraries resulted in the identification of an enargite‐selective peptide with the sequence MHKPTVHIKGPT and a chalcopyrite‐selective peptide with the sequence RKKKCKGNCCYTPQ. Mineral‐binding selectivity was demonstrated by binding studies, zeta potential determination and immunochemistry. Peptides that have the ability to discriminate between enargite and chalcopyrite provide a greener option for the separation of arsenic containing contaminants from copper concentrates. This represents the first step towards a major advance in the replacement or reduction of toxic collectors as well as reducing the level of arsenic‐bearing minerals in the early stages of mineral processing. Biotechnol. Bioeng. 2017;114: 998–1005. © 2016 Wiley Periodicals, Inc.
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 | 0,000 | 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) | 0,001 | 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 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 ».