MétaCan
Menu
Retour à la cohorte
Enregistrement W2594149070 · doi:10.1139/facets-2016-0027

Recent advances in the study of mercury methylation in aquatic systems

2017· article· en· W2594149070 sur OpenAlexafffundvenue
Avnee R. Paranjape, Britt D. Hall

Notice bibliographique

RevueFACETS · 2017
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueMercury impact and mitigation studies
Établissements canadiensUniversity of Regina
Organismes subventionnairesUniversity of Regina
Mots-clésMercury (programming language)MethylationAbiotic componentDNA methylationBiotaMethylmercuryAquatic ecosystemEnvironmental chemistryBiologyEcologyEnvironmental scienceBioaccumulationChemistryComputer scienceGeneticsGene

Résumé

récupéré en direct d'OpenAlex

With increasing input of neurotoxic mercury to environments as a result of anthropogenic activity, it has become imperative to examine how mercury may enter biotic systems through its methylation to bioavailable forms in aquatic environments. Recent development of stable isotope-based methods in methylation studies has enabled a better understanding of the factors controlling methylation in aquatic systems. In addition, the identification and tracking of the hgcAB gene cluster, which is necessary for methylation, has broadened the range of known methylators and methylation-conducive environments. Study of abiotic factors in methylation with new molecular methods (the use of stable isotopes and genomic methods) has helped elucidate the confounding influences of many environmental factors, as these methods enable the examination of their direct effects instead of merely correlative observations. Such developments will be helpful in the finer characterization of mercury biogeochemical cycles, which will enable better predictions of the potential effects of climate change on mercury methylation in aquatic systems and, by extension, the threat this may pose to biota.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,002
score de la tête « metaresearch » (Gemma)0,002
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Synthèse · Signal consensuel: Synthèse
Score de désaccord entre enseignants0,004
Score d'incertitude au seuil0,011

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0020,002
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0020,003
Études des sciences et des technologies0,0000,001
Communication savante0,0010,002
Science ouverte0,0010,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0020,001

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 Opus0,045
Tête enseignante GPT0,334
Écart entre enseignants0,288 · 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; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSans objet
Domainenon disponible
GenreSynthèse

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations148
Publié2017
Routes d'admission3
Résumé présentoui

Explorer davantage

Même revueFACETSMême sujetMercury impact and mitigation studiesTravaux en français237 207