MétaCan
Menu
Retour à la cohorte
Enregistrement W2949970722 · doi:10.3390/biomedicines7020046

Protein Nanotubes: From Bionanotech towards Medical Applications

2019· review· en· W2949970722 sur OpenAlexafffund
Gerald F. Audette, Ayat Yaseen, Nicholas Bragagnolo, Raj Bawa

Notice bibliographique

RevueBiomedicines · 2019
Typereview
Langueen
DomaineBiochemistry, Genetics and Molecular Biology
ThématiqueAdvanced biosensing and bioanalysis techniques
Établissements canadiensYork University
Organismes subventionnairesNatural Sciences and Engineering Research Council of CanadaYork University
Mots-clésNanobiotechnologyNanotechnologyCarbon nanotubeDrug deliveryNanomedicineMaterials scienceNanoparticle

Résumé

récupéré en direct d'OpenAlex

Nanobiotechnology involves the study of structures found in nature to construct nanodevices for biological and medical applications with the ultimate goal of commercialization. Within a cell most biochemical processes are driven by proteins and associated macromolecular complexes. Evolution has optimized these protein-based nanosystems within living organisms over millions of years. Among these are flagellin and pilin-based systems from bacteria, viral-based capsids, and eukaryotic microtubules and amyloids. While carbon nanotubes (CNTs), and protein/peptide-CNT composites, remain one of the most researched nanosystems due to their electrical and mechanical properties, there are many concerns regarding CNT toxicity and biodegradability. Therefore, proteins have emerged as useful biotemplates for nanomaterials due to their assembly under physiologically relevant conditions and ease of manipulation via protein engineering. This review aims to highlight some of the current research employing protein nanotubes (PNTs) for the development of molecular imaging biosensors, conducting wires for microelectronics, fuel cells, and drug delivery systems. The translational potential of PNTs is highlighted.

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)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict)
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 enseignants0,990
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

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

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 GPT0,356
Écart entre enseignants0,325 · 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'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

Citations17
Publié2019
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueBiomedicinesMême sujetAdvanced biosensing and bioanalysis techniquesTravaux en français237 207