MétaCan
Menu
Retour à la cohorte
Enregistrement W2914468281 · doi:10.1039/c8tb03162b

Copolymers containing carbohydrates and other biomolecules: design, synthesis and applications

2019· review· en· W2914468281 sur OpenAlexafffund
Zhiyuan Ma, X. X. Zhu

Notice bibliographique

RevueJournal of Materials Chemistry B · 2019
Typereview
Langueen
DomaineChemistry
ThématiqueCarbohydrate Chemistry and Synthesis
Établissements canadiensUniversité de Montréal
Organismes subventionnairesFonds de recherche du Québec – Nature et technologiesNatural Sciences and Engineering Research Council of CanadaChina Scholarship CouncilFonds Québécois de la Recherche sur la Nature et les TechnologiesCentre québécois sur les matériaux fonctionnels
Mots-clésBiomoleculeCopolymerMaterials scienceNanotechnologyCombinatorial chemistryChemical engineeringPolymer scienceChemistryPolymerEngineeringComposite material

Résumé

récupéré en direct d'OpenAlex

Glycopolymers are synthetic polymers containing pendant carbohydrate groups. Other biological compounds can be incorporated into glycopolymers to prepare both random and block copolymers aimed at bio-related applications: boronic acid can be introduced as a functional group to obtain crosslinked hydrogels; cholesterol and bile acids can be introduced to render the polymers more hydrophobic for the formation of micelles. Sugar-containing block copolymers with biocompatible blocks such as polypeptides, poly(ethylene glycol), poly(lactic acid) and poly(ε-caprolactone) were also prepared for potential application in drug carriers. These glycopolymers interact with lectins or lectin-containing surfaces as natural carbohydrate mimics. This review highlights the recent progress in the synthesis of random or block glycopolymers. Examples of the applications of glycopolymers in the separation and removal of toxins and bacteria, tumor cell recognition and glucose-responsive insulin delivery are presented and discussed.

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: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Synthèse · Signal consensuel: Synthèse
Score de désaccord entre enseignants0,002
Score d'incertitude au seuil0,006

Scores du classifieur distillé par catégorie (deux têtes)

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

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 Opus0,043
Tête enseignante GPT0,288
Écart entre enseignants0,244 · 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'étudeSans objet
Domainenon disponible
GenreSynthèse

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations48
Publié2019
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueJournal of Materials Chemistry BMême sujetCarbohydrate Chemistry and SynthesisTravaux en français237 207