MétaCan
Menu
← Retour à la cohorte
Enregistrement W2797736765 · doi:10.20381/ruor-21661

Helicase Attachment to Carbon Nanotubes for DNA Sensor

2018· dissertation· en· W2797736765 sur OpenAlexfundno aff
Arsala Tasleem

Notice bibliographique

RevueuO Research (University of Ottawa) · 2018
Typedissertation
Langueen
DomaineBiochemistry, Genetics and Molecular Biology
ThématiqueAdvanced biosensing and bioanalysis techniques
Établissements canadiensnon disponible
Organismes subventionnairesOttawa Hospital Research InstituteUniversity of Ottawa
Mots-clésCarbon nanotubeHelicaseNanotechnologyDNAMaterials scienceBiologyGeneticsGeneRNA

Résumé

récupéré en direct d'OpenAlex

Purpose: Current DNA detection techniques require complicated procedures, specialized training, expensive equipment, invasive samples and significant amount of sample collection and processing time. The purpose of this research was to develop a rapid, accurate, non-invasive and electronic method of DNA sensing that harnesses natural unwinding properties of DNA helicase by attaching it to Carbon Nanotubes. Methods: a. A literature review on methods of attaching proteins to carbon nanotubes was conducted b. A design of the biosensor was developed based on previously reported attachment methods for other proteins c. A part of the sensor was developed by attaching DNA helicase to carbon nanotubes d. The result was tested for preservation of helicase functionality and carbon nanotube electronic structure integrity Results: a. Helicase was successfully attached to carbon nanotubes b. Helicase was found to retain its NTP hydrolysis function, DNA binding and DNA unwinding ability upon attachment c. Carbon nanotube electronic structure and function was not compromised upon attachment Conclusions: Non-specific attachment of helicase to carbon nanotubes preserves enzyme structure and function, allowing rapid DNA unwinding at an in vitro rate comparable to DNA helicase.

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)0,000
score de la tête « metaresearch » (Gemma)0,000
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: Empirique
Score de désaccord entre enseignants0,001
Score d'incertitude au seuil0,004

Scores du classifieur distillé par catégorie (deux têtes)

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 recherche0,0010,000
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 Opus0,031
Tête enseignante GPT0,354
Écart entre enseignants0,323 · 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

Citations0
Publié2018
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueuO Research (University of Ottawa)→Même sujetAdvanced biosensing and bioanalysis techniques→Travaux en français237 207→