MétaCan
Menu
Retour à la cohorte
Enregistrement W2901502410 · doi:10.2172/1481615

Real-Time Automated Pathogen Identification by Enhanced Ribotyping (RAPIER) LDRD Final Report

2018· report· en· W2901502410 sur OpenAlexaff
Michael Bartsch, Sara W. Bird, Steven S. Branda, Harrison Edwards, Harikrishnan Jayamohan, Raga Krishnakumar, Kamlesh D. Patel, Joseph S. Schoeniger, Anupama Sinha

Notice bibliographique

Revuenon disponible
Typereport
Langueen
DomaineEngineering
ThématiqueBiosensors and Analytical Detection
Établissements canadiensUniversity of Toronto
Organismes subventionnairesLaboratory Directed Research and DevelopmentNational Nuclear Security AdministrationOxford Nanopore TechnologiesSandia National LaboratoriesU.S. Department of Energy
Mots-clésMinionNanopore sequencingComputer scienceIdentification (biology)AutomationEngineeringBiologyDNA sequencing

Résumé

récupéré en direct d'OpenAlex

Funded through the IHNS/E&HS investment area for FY16-18, the RAPIER LDRD sought to evaluate the potential benefits and applicability of the new Oxford MinION nanopore sequencer to pathogen diagnostic applications in biodefense, biosurveillance, and global/public health. The project had four primary objectives: 1) to investigate the performance of the MinION sequencer while building facility with its operation, 2) to develop microfluidic library prep automation facilitating the use of the MinION in field-forward or point-of-care applications, 3) to leverage CRISPR/Cas9 technology to enable targeted identification of bacterial pathogens, and 4) to capitalize on the real- time data output capabilities of the MinION to enable rapid sequence-based diagnostics. While the rapid evolution of the MinION sequencing technology during the course of the project posed a number of challenges and required a reassessment of initial project priorities, it also provided unique opportunities, notably culminating in our development of the RUBRIC real-time selective sequencing software.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict), Charge utile insuffisante (le modèle a refusé de juger)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: aucune
GenreSignal candidat: Autre · Signal consensuel: Autre
Score de désaccord entre enseignants0,354
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,000
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 Opus0,016
Tête enseignante GPT0,265
Écart entre enseignants0,249 · 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 tête enseignante, pas un consensus.

Devis d'étudeExpérimental (laboratoire)
Domainenon disponible
GenreAutre

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 sujetBiosensors and Analytical DetectionTravaux en français237 207