MétaCan
Menu
Retour à la cohorte
Enregistrement W3088421407 · doi:10.1111/jeb.13693

Resistance to natural and synthetic gene drive systems

2020· review· en· W3088421407 sur OpenAlexaff
Tom A. R. Price, Nikolai Windbichler, Robert L. Unckless, Andreas Sutter, Jan‐Niklas Runge, Perran A. Ross, Andrew Pomiankowski, Nicole L. Nuckolls, Catherine Montchamp‐Moreau, Nicole Mideo, Oliver Y. Martin, Andri Manser, Mathieu Legros, Amanda M. Larracuente, Luke Holman, John Godwin, Neil J. Gemmell, Cécile Courret, Anna Buchman, Luke G. Barrett, Anna K. Lindholm

Notice bibliographique

RevueJournal of Evolutionary Biology · 2020
Typereview
Langueen
DomaineBiochemistry, Genetics and Molecular Biology
ThématiqueCRISPR and Genetic Engineering
Établissements canadiensUniversity of Toronto
Organismes subventionnairesNational Institute of General Medical SciencesEngineering and Physical Sciences Research CouncilEuropean Society for Evolutionary BiologySight Research UKNatural Environment Research CouncilSchweizerischer Nationalfonds zur Förderung der Wissenschaftlichen ForschungUK Research and InnovationNational Institutes of HealthNational Science Foundation
Mots-clésBiologyResistance (ecology)Natural (archaeology)GeneGeneticsEvolutionary biologyNatural selectionSynthetic biologyComputational biologyEcologyPaleontologySelection (genetic algorithm)Artificial intelligenceComputer science

Résumé

récupéré en direct d'OpenAlex

Scientists are rapidly developing synthetic gene drive elements intended for release into natural populations. These are intended to control or eradicate disease vectors and pests, or to spread useful traits through wild populations for disease control or conservation purposes. However, a crucial problem for gene drives is the evolution of resistance against them, preventing their spread. Understanding the mechanisms by which populations might evolve resistance is essential for engineering effective gene drive systems. This review summarizes our current knowledge of drive resistance in both natural and synthetic gene drives. We explore how insights from naturally occurring and synthetic drive systems can be integrated to improve the design of gene drives, better predict the outcome of releases and understand genomic conflict in general.

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)0,001
score de la tête « metaresearch » (Gemma)0,001
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 enseignants0,003
Score d'incertitude au seuil0,009

Scores du classifieur distillé par catégorie (deux têtes)

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

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 Opus0,010
Tête enseignante GPT0,327
Écart entre enseignants0,317 · 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

Citations90
Publié2020
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of Evolutionary BiologyMême sujetCRISPR and Genetic EngineeringTravaux en français237 207