MétaCan
Menu
Retour à la cohorte
Enregistrement W2791727878 · doi:10.1002/smtd.201700319

DNAzymes: Selected for Applications

2018· article· en· W2791727878 sur OpenAlexafffund
Devon Morrison, Meghan Rothenbroker, Yingfu Li

Notice bibliographique

RevueSmall Methods · 2018
Typearticle
Langueen
DomaineBiochemistry, Genetics and Molecular Biology
ThématiqueAdvanced biosensing and bioanalysis techniques
Établissements canadiensMcMaster University
Organismes subventionnairesNatural Sciences and Engineering Research Council of Canada
Mots-clésDeoxyribozymeDNABiosensorComputational biologyAnalyteRolling circle replicationChemistryBiologyNanotechnologyBiochemistryDNA polymeraseMaterials science

Résumé

récupéré en direct d'OpenAlex

Abstract DNA‐based enzymes, also known as deoxyribozymes or DNAzymes, are single‐stranded DNA molecules with catalytic activity. DNAzymes do not exist in nature but can be isolated from random‐sequence DNA pools using in vitro selection. To date, many DNAzymes that collectively catalyze a diverse range of chemical transformations have been reported. Here, examples of new DNAzymes engineered to mimic some intriguing functions of naturally occurring protein‐based enzymes are discussed. This is followed by discussions of recent examples of a particular class of DNAzymes, known as “RNA‐cleaving DNAzymes”, that have been derived specifically so that their activity is strictly dependent on a given chemical or biological stimulus. Some unique ways to employ ligand‐responsive DNAzymes for the design of bioanalytical assays and biosensors are then highlighted. Being DNA molecules, DNAzymes have proven to be entirely compatible with DNA amplification. Several approaches are then discussed, which relay the activity of an analyte‐activated DNAzyme into the production of massive amounts of DNA amplicons, via “rolling circle amplification”, in biosensing applications designed to deliver very high levels of detection sensitivity.

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: aucune
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,037
Score d'incertitude au seuil0,125

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,001
Méta-épidémiologie (sens strict)0,0020,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0020,002
Études des sciences et des technologies0,0000,000
Communication savante0,0020,001
Science ouverte0,0010,001
Intégrité de la recherche0,0020,002
Charge utile insuffisante (le modèle a refusé de juger)0,0370,033

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 Opus0,030
Tête enseignante GPT0,400
Écart entre enseignants0,370 · 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

Citations164
Publié2018
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueSmall MethodsMême sujetAdvanced biosensing and bioanalysis techniquesTravaux en français237 207