MétaCan
Menu
Retour à la cohorte
Enregistrement W3016153681 · doi:10.1146/annurev-genom-111919-082433

Cultivating DNA Sequencing Technology After the Human Genome Project

2020· review· en· W3016153681 sur OpenAlexaff
Jeffery A. Schloss, Richard A. Gibbs, Vinod B. Makhijani, Andre Marziali

Notice bibliographique

RevueAnnual Review of Genomics and Human Genetics · 2020
Typereview
Langueen
DomaineBiochemistry, Genetics and Molecular Biology
ThématiqueCRISPR and Genetic Engineering
Établissements canadiensUniversity of British Columbia
Organismes subventionnairesNational Human Genome Research Institute
Mots-clésDNA sequencingHuman genomeGenomeSanger sequencingPersonal genomicsComputational biologyBiologyData scienceComputer scienceDNAGeneticsGene

Résumé

récupéré en direct d'OpenAlex

When the Human Genome Project was completed in 2003, automated Sanger DNA sequencing with fluorescent dye labels was the dominant technology. Several nascent alternative methods based on older ideas that had not been fully developed were the focus of technical researchers and companies. Funding agencies recognized the dynamic nature of technology development and that, beyond the Human Genome Project, there were growing opportunities to deploy DNA sequencing in biological research. Consequently, the National Human Genome Research Institute of the National Institutes of Health created a program-widely known as the Advanced Sequencing Technology Program-that stimulated all stages of development of new DNA sequencing methods, from innovation to advanced manufacturing and production testing, with the goal of reducing the cost of sequencing a human genome first to $100,000 and then to $1,000. The events of this period provide a powerful example of how judicious funding of academic and commercial partners can rapidly advance core technology developments that lead to profound advances across the scientific landscape.

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 enseignants0,004
Score d'incertitude au seuil0,023

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0040,003
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0020,003
Études des sciences et des technologies0,0000,002
Communication savante0,0020,003
Science ouverte0,0010,001
Intégrité de la recherche0,0020,006
Charge utile insuffisante (le modèle a refusé de juger)0,0030,004

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 Opus0,020
Tête enseignante GPT0,351
Écart entre enseignants0,330 · 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

Citations30
Publié2020
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueAnnual Review of Genomics and Human GeneticsMême sujetCRISPR and Genetic EngineeringTravaux en français237 207