MétaCan
Menu
Retour à la cohorte
Enregistrement W2896064861 · doi:10.1038/sdata.2018.229

Combining tensile testing and structural analysis at the single collagen fibril level

2018· article· en· W2896064861 sur OpenAlexafffund
Andrew Quigley, Stéphane Bancelin, Dylan Deska‐Gauthier, François Légaré, Samuel P. Veres, Laurent Kreplak

Notice bibliographique

RevueScientific Data · 2018
Typearticle
Langueen
DomaineMaterials Science
ThématiqueCollagen: Extraction and Characterization
Établissements canadiensSaint Mary's UniversityInstitut National de la Recherche ScientifiqueDalhousie University
Organismes subventionnairesNatural Sciences and Engineering Research Council of Canada
Mots-clésFibrilUltimate tensile strengthMicroscopyMaterials scienceTensile testingCollagen fibrilTendonBiophysicsComposite materialBiomedical engineeringAnatomyOpticsBiology

Résumé

récupéré en direct d'OpenAlex

Tensile testing to failure followed by imaging is a simple way of studying the structure-function relationship of connective tissues such as skin, tendon, and ligament. However, interpretation of these datasets is complex due to the hierarchical structures of the tissues spanning six or more orders of magnitude in length scale. Here we present a dataset obtained through the same scheme at the single collagen fibril level, the fundamental tensile element of load-bearing tissues. Tensile testing was performed on fibrils extracted from two types of bovine tendons, adsorbed on a glass surface and glued at both ends. An atomic force microscope (AFM) was used to pull fibrils to failure in bowstring geometry. The broken fibrils were then imaged by AFM for morphological characterization, by second harmonic generation microscopy to assess changes to molecular packing, and by fluorescence microscopy after incubation with a peptide probe that binds specifically to denatured collagen molecules. This dataset linking stress-strain curves to post-failure molecular changes is useful for researchers modelling or designing functional protein materials.

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)0,002
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 enseignants0,004
Score d'incertitude au seuil0,008

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,002
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0040,002
Études des sciences et des technologies0,0010,001
Communication savante0,0010,001
Science ouverte0,0010,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0020,001

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 Opus0,154
Tête enseignante GPT0,309
Écart entre enseignants0,154 · 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

Citations22
Publié2018
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueScientific DataMême sujetCollagen: Extraction and CharacterizationTravaux en français237 207