A Diffusion-approximation Approach to Model Self-organization of Nuclear Proteins
Notice bibliographique
Résumé
The presentation was part of the Symposium “From individual to continuous approaches in biological modeling” at the MITACS 2009 Annual Conference. \nI included another topic to my presentation, and therefore the title of the presentation changed to: \n“Describing the motion of cellular proteins at individual and population levels”. \nThe presentation aimed at describing two modeling approaches (population- and individual-based modeling) when using data from two fluorescence microscopy techniques, namely Fluorescence Recovery After Photobleaching (FRAP) and Single Particle Tracking (SPT). To illustrate the population-based modeling using FRAP data, a model to describe the self-organization of nuclear proteins was presented, and to illustrate the individual-based modeling using SPT data, a test for a correlated random walk was presented. \nThe presentation of these two approaches brought about interesting questions regarding the use of one to supplement the other. \nA productive research meeting took place during the Symposium with Dr. Raibatak Das (organizer of the Symposium and postdoctoral fellow at UBC), Dr. Raibatak Das (a participant at the Symposium and professor at UBC), Jennifer Morrison (a presenter at the Symposium and PhD student at UBC), and Dr. Gerda de Vries (presenter at the Conference and professor at UofA) and a follow up meeting for common research interest a collaboration is scheduled for middle August 2009 at the University of Alberta. \nAlso, I was a poster judge at the Conference poster competition.
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 enseignantsNi 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.
Scores Codex et Gemma par catégorie
| 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) | 0,000 | 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 tête enseignante, 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 ».