MétaCan
Menu
Retour à la cohorte
Enregistrement W3047646040 · doi:10.1080/26388081.2020.1765702

Exploiting the potential of Cyanidiales as a valuable resource for biotechnological applications

2020· article· en· W3047646040 sur OpenAlexaff
Imke Lang, Samirul Bashir, Maike Lorenz, Stephen D. Rader, Gert Weber

Notice bibliographique

RevueApplied Phycology · 2020
Typearticle
Langueen
DomaineEnergy
ThématiqueAlgal biology and biofuel production
Établissements canadiensUniversity of Northern British Columbia
Organismes subventionnairesnon disponible
Mots-clésBiologyAlgaeContext (archaeology)Biochemical engineeringBioproductionBiofuelBiotechnologyEcologyEngineering

Résumé

récupéré en direct d'OpenAlex

The biotechnological uses of algae and cyanobacteria have been widely discussed in the context of climate change and consequent efforts to circularize economies, minimize carbon release and reuse waste streams. Their great potential in bioproduction and bioremediation has barely been exploited, particularly for the well-characterized red algae Galdieria sulphuraria and Cyanidioschyzon merolae. These and other Cyanidiales are excellent candidates for biotechnological enhancement and metabolic engineering for a broad spectrum of applications including the production of biofuels and thermostable colourants. In particular, extremophily, such as growth at thermophilic temperatures – up to 60°C – and at low pH and high salinity, make these algae unusually resistant to contamination and pathogens, and therefore potentially more commercially viable. We review existing applications of the Cyanidiales, as well as their available molecular tools. Their varied nutritional demands, from the broad heterotrophy of G. sulphuraria to strongly autotrophic C. merolae, along with their ability to grow to high densities, confer great potential as expression hosts. We also discuss the deficiencies that must be overcome to unlock further applications and ultimately to embed thermophilic red algae into a framework of circular and sustainable economic activity relying on bio-based sources.

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: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,580
Score d'incertitude au seuil0,286

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 Opus0,026
Tête enseignante GPT0,244
Écart entre enseignants0,218 · 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

Citations26
Publié2020
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueApplied PhycologyMême sujetAlgal biology and biofuel productionTravaux en français237 207