MétaCan
Menu
Retour à la cohorte
Enregistrement W2992370223 · doi:10.3390/app9245318

Magnetic Fields Trump Oxygen in Controlling the Death of Erythro-Leukemia Cells

2019· article· en· W2992370223 sur OpenAlexaff
Ying Li, Paul Héroux

Notice bibliographique

RevueApplied Sciences · 2019
Typearticle
Langueen
DomaineBiochemistry, Genetics and Molecular Biology
ThématiqueElectromagnetic Fields and Biological Effects
Établissements canadiensMcGill UniversityMcGill University Health Centre
Organismes subventionnairesnon disponible
Mots-clésApoptosisProgrammed cell deathIncubatorHuman lifeCellCancer cellHuman healthCancerCell biologyChemistryBiologyImmunologyMedicineEnvironmental healthMicrobiologyInternal medicineBiochemistryPolitical science

Résumé

récupéré en direct d'OpenAlex

Expansions in power and telecommunications systems have created a new electromagnetic environment. Here, we compare the death rate of human cancer cells in vitro in the pre-industrial electromagnetic environment of the past (“Zero Field”) with that of an electromagnetic environment typical of contemporary human exposures (“Incubator Field”). A cell incubator provides magnetic fields comparable to those in the current human environment. Steel shields divert those same fields away from cell preparations in the “pre-industrial” assays. Large changes in oxygen levels are provided by nitrogen or atmospheric gas over the cell cultures. Human cancer cells are then separated according to three categories: necrotic, early apoptotic, or late apoptotic. The results are compiled for two variables, magnetic field and oxygen, in 16 different situations (“Transitions”) likely to occur in the human body under present living conditions. We find that magnetic fields are a more powerful determinant of cell death than oxygen, and induce death by different mechanisms. This has important implications for the reproducibility of in vitro biological experiments focusing on cell survival or metabolism, and for public health. The rate and mechanisms of cell death are critical to many chronic human ailments such as cancer, neurological diseases, and diabetes.

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 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 enseignants0,022
Score d'incertitude au seuil0,205

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
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 Opus0,007
Tête enseignante GPT0,215
Écart entre enseignants0,209 · 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.

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

Citations3
Publié2019
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueApplied SciencesMême sujetElectromagnetic Fields and Biological EffectsTravaux en français237 207