MétaCan
Menu
Retour à la cohorte
Enregistrement W2613923018 · doi:10.1002/bbb.1777

Advances in the use of genetically modified plant biomass for biodiesel generation

2017· article· en· W2613923018 sur OpenAlexaff
Shen Wan, Victoria MT Truong‐Trieu, Tonya Ward, Joann K. Whalen, Illimar Altosaar

Notice bibliographique

RevueBiofuels Bioproducts and Biorefining · 2017
Typearticle
Langueen
DomaineBiochemistry, Genetics and Molecular Biology
ThématiqueMicrobial Metabolic Engineering and Bioproduction
Établissements canadiensUniversity of OttawaMcGill University
Organismes subventionnairesnon disponible
Mots-clésBiodieselRaw materialBiomass (ecology)BiofuelRenewable energyGreenhouse gasEnvironmental scienceDiesel fuelRenewable fuelsBioenergyFossil fuelWaste managementNatural resource economicsBiotechnologyEngineeringAgronomyEconomicsChemistryEcologyBiology

Résumé

récupéré en direct d'OpenAlex

Abstract Biodiesel is a low‐carbon‐intensity renewable fuel with up to 99% lower greenhouse gas emissions than petroleum‐based diesel. The use of oil crops for biodiesel is under critical examination. It is expensive and suffers from the food versus fuel risk/benefit problem. Consequently, many countries (e.g. Malaysia and countries in the EU ) are scaling back the use of oil crops as feedstock for biofuel production. The limitations of these traditional crops are leading the renewable fuels industry to consider innovative, sustainable, and profitable biomass‐based platforms. Plant genetic engineering and other new breeding technologies are essential for developing such biomass‐based platforms because they enhance plant tolerance to abiotic and biotic stresses, resulting in higher feedstock yields, greater net energy gain, and the generation of high‐value co‐products. We review and summarize the recent improvements of oil crops through plant genetic engineering that may increase widespread and cost‐effective production of biodiesel and value‐added co‐products for green chemistry applications. © 2017 Society of Chemical Industry and John Wiley & Sons, Ltd

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 candidatesaucune
Catégories consensuellesaucune
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 enseignants0,106
Score d'incertitude au seuil0,387

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)0,0000,000

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.

Tête enseignante Opus0,072
Tête enseignante GPT0,276
Écart entre enseignants0,204 · 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 tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
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

Citations17
Publié2017
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueBiofuels Bioproducts and BiorefiningMême sujetMicrobial Metabolic Engineering and BioproductionTravaux en français237 207