MétaCan
Menu
Retour à la cohorte
Enregistrement W3004357814 · doi:10.3390/genes11020140

Embryo-Based Large Fragment Knock-in in Mammals: Why, How and What’s Next

2020· review· en· W3004357814 sur OpenAlexafffund
Steven Erwood, Bin Gu

Notice bibliographique

RevueGenes · 2020
Typereview
Langueen
DomaineBiochemistry, Genetics and Molecular Biology
ThématiqueCRISPR and Genetic Engineering
Établissements canadiensHospital for Sick ChildrenUniversity of Toronto
Organismes subventionnairesCanadian Institutes of Health Research
Mots-clésFragment (logic)Gene knockinCRISPRGenome editingComputational biologyBiologyEndonucleaseCas9GenomeAnimal modelGeneticsSynthetic biologyRestriction enzymeComputer scienceDNAGene

Résumé

récupéré en direct d'OpenAlex

Endonuclease-mediated genome editing technologies, most notably CRISPR/Cas9, have revolutionized animal genetics by allowing for precise genome editing directly through embryo manipulations. As endonuclease-mediated model generation became commonplace, large fragment knock-in remained one of the most challenging types of genetic modification. Due to their unique value in biological and biomedical research, however, a diverse range of technological innovations have been developed to achieve efficient large fragment knock-in in mammalian animal model generation, with a particular focus on mice. Here, we first discuss some examples that illustrate the importance of large fragment knock-in animal models and then detail a subset of the recent technological advancements that have allowed for efficient large fragment knock-in. Finally, we envision the future development of even larger fragment knock-ins performed in even larger animal models, the next step in expanding the potential of large fragment knock-in in animal models.

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 enseignants0,996
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
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 recherche0,0000,000
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 Opus0,023
Tête enseignante GPT0,320
Écart entre enseignants0,297 · 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

Citations16
Publié2020
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueGenesMême sujetCRISPR and Genetic EngineeringTravaux en français237 207