MétaCan
Menu
Retour à la cohorte
Enregistrement W2638340149 · doi:10.1038/micronano.2015.20

Voyage inside the cell: Microsystems and nanoengineering for intracellular measurement and manipulation

2015· article· en· W2638340149 sur OpenAlexaff
Jun Liu, Jun Wen, Zhuoran Zhang, Haijiao Liu, Yu Sun

Notice bibliographique

RevueMicrosystems & Nanoengineering · 2015
Typearticle
Langueen
DomaineEngineering
ThématiqueMicrofluidic and Bio-sensing Technologies
Établissements canadiensUniversity of TorontoUniversity of New Brunswick
Organismes subventionnairesnon disponible
Mots-clésIntracellularCellOrganelleCell biologyNanotechnologyBiologyComputational biologyComputer scienceMaterials scienceBiochemistry

Résumé

récupéré en direct d'OpenAlex

Abstract Properties of organelles and intracellular structures play important roles in regulating cellular functions, such as gene expression, cell motility and metabolism. The ability to directly interrogate intracellular structures inside a single cell for measurement and manipulation has significant implications in the understanding of subcellular and suborganelle activities, diagnosing diseases, and potentially developing new therapeutic approaches. In the past few decades, a number of technologies have been developed to study single-cell properties. However, methods of measuring intracellular properties and manipulating subcellular structures have been largely underexplored. Due to the even smaller size of intracellular targets and lower signal-to-noise ratio than that in whole-cell studies, the development of tools for intracellular measurement and manipulation is challenging. This paper reviews emerging microsystems and nanoengineered technologies for sensing and quantitative measurement of intracellular properties and for manipulating structures inside a single cell. Recent progress and limitations of these new technologies as well as new discoveries and prospects are discussed.

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)0,001
score de la tête « metaresearch » (Gemma)0,001
Version: metacan-v3-hybrid-931329e0061cStatut 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: aucune
Score de désaccord entre enseignants0,001
Score d'incertitude au seuil0,005

Scores du classifieur distillé par catégorie (deux têtes)

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

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 Opus0,027
Tête enseignante GPT0,179
Écart entre enseignants0,152 · 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'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

Citations90
Publié2015
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueMicrosystems & NanoengineeringMême sujetMicrofluidic and Bio-sensing TechnologiesTravaux en français237 207