MétaCan
Menu
Retour à la cohorte
Enregistrement W2971621341 · doi:10.9787/kjbs.2019.51.3.175

Gene-Edited Crops: Present Status and their Future

2019· article· en· W2971621341 sur OpenAlexfundno aff
Soo-Chul Park, Young-Hee Joung, Kyung‐Min Kim, Ju‐Kon Kim, Hee‐Jong Koh

Notice bibliographique

RevueKorean Journal of Breeding Science · 2019
Typearticle
Langueen
DomaineBiochemistry, Genetics and Molecular Biology
ThématiqueCRISPR and Genetic Engineering
Établissements canadiensnon disponible
Organismes subventionnairesRural Development AdministrationCanadian Food Inspection AgencyU.S. Department of Agriculture
Mots-clésCommercializationHarmonizationBiotechnologyGene technologyEmerging technologiesGenome editingBiologyGenetic engineeringStandardizationPlant breedingRisk analysis (engineering)BusinessComputer scienceGeneMarketingGenomeAgronomyGenetics

Résumé

récupéré en direct d'OpenAlex

Recently, several attempts have been undertaken to develop breeding technologies by combining new biotechnologies.Gene-editing technology is currently one of the most interesting areas.The plant breeding methods using this technique have the advantage of greatly improved accuracy and efficiency of the plant genetic correction compared with conventional breeding methods, which has raised expectations for the useful application of this technology as a cutting-edge breeding technology.Although not all countries around the world currently have established appropriate regulation policies on crops developed with gene-editing technology, the number of cases in which GMO regulations are not applied on a case-by-case basis according to the scientific background is growing.However, Korea has not yet established policies on which criteria should be applied to crops generated from the application of gene-editing technology.As the number of cases of crop development and commercialization using gene-editing technology is expected to increase in the near future, it will be necessary to prepare reasonable policies to support developers and seed industries in Korea to ensure harmonization with international regulatory policy trends.

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)0,004
score de la tête « metaresearch » (Gemma)0,003
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 enseignants0,009
Score d'incertitude au seuil0,029

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0040,003
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0010,002
Communication savante0,0030,005
Science ouverte0,0010,001
Intégrité de la recherche0,0020,002
Charge utile insuffisante (le modèle a refusé de juger)0,0090,002

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 Opus0,006
Tête enseignante GPT0,263
Écart entre enseignants0,257 · 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

Citations18
Publié2019
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueKorean Journal of Breeding ScienceMême sujetCRISPR and Genetic EngineeringTravaux en français237 207