MétaCan
Menu
Retour à la cohorte
Enregistrement W2801567745 · doi:10.4155/bio-2017-0271

Surface Plasmon Resonance as a Tool for Ligand-Binding Assay Reagent Characterization in Bioanalysis of Biotherapeutics

2018· article· en· W2801567745 sur OpenAlexaff
Jia Duo, JoAnne Bruno, Alexander Kozhich, Donata David-brown, Linlin Luo, Suk Kwok, Rasa Santockyte, Jonathan Haulenbeek, Rong Liu, Lora Hamuro, Jon E. Peterson, Steven P. Piccoli, Binodh DeSilva, Renuka Pillutla, Yan J Zhang

Notice bibliographique

RevueBioanalysis · 2018
Typearticle
Langueen
DomaineImmunology and Microbiology
ThématiqueBiosimilars and Bioanalytical Methods
Établissements canadiensSierra Wireless (Canada)
Organismes subventionnairesnon disponible
Mots-clésSurface plasmon resonanceBioanalysisReagentCombinatorial chemistryCharacterization (materials science)Ligand (biochemistry)NanotechnologyChemistryComputer scienceMaterials scienceNanoparticleOrganic chemistryBiochemistry

Résumé

récupéré en direct d'OpenAlex

Ligand-binding assay (LBA) performance depends on quality reagents. Strategic reagent screening and characterization is critical to LBA development, optimization and validation. Application of advanced technologies expedites the reagent screening and assay development process. By evaluating surface plasmon resonance technology that offers high-throughput kinetic information, this article aims to provide perspectives on applying the surface plasmon resonance technology to strategic LBA critical reagent screening and characterization supported by a number of case studies from multiple biotherapeutic programs.

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)0,008
score de la tête « metaresearch » (Gemma)0,004
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 enseignants0,008
Score d'incertitude au seuil0,042

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0080,004
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0030,001
Études des sciences et des technologies0,0010,002
Communication savante0,0020,001
Science ouverte0,0020,002
Intégrité de la recherche0,0020,002
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 Opus0,030
Tête enseignante GPT0,312
Écart entre enseignants0,282 · 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

Citations17
Publié2018
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueBioanalysisMême sujetBiosimilars and Bioanalytical MethodsTravaux en français237 207