MétaCan
Menu
Retour à la cohorte
Enregistrement W3133563112 · doi:10.1039/d0cs01430c

Recent progress in non-native nucleic acid modifications

2021· review· en· W3133563112 sur OpenAlexafffund
Luke K. McKenzie, Roberto El-Khoury, James D. Thorpe, Masad J. Damha, Marcel Hollenstein

Notice bibliographique

RevueChemical Society Reviews · 2021
Typereview
Langueen
DomaineBiochemistry, Genetics and Molecular Biology
ThématiqueAdvanced biosensing and bioanalysis techniques
Établissements canadiensMcGill University
Organismes subventionnairesFonds de recherche du Québec – Nature et technologiesNatural Sciences and Engineering Research Council of CanadaFondation ARC pour la Recherche sur le CancerInstitut Pasteur
Mots-clésNucleic acidComputer scienceComputational biologyDNARNANucleic acid detectionNanotechnologyChemistryBiologyBiochemistryMaterials scienceGene

Résumé

récupéré en direct d'OpenAlex

While Nature harnesses RNA and DNA to store, read and write genetic information, the inherent programmability, synthetic accessibility and wide functionality of these nucleic acids make them attractive tools for use in a vast array of applications. In medicine, antisense oligonucleotides (ASOs), siRNAs, and therapeutic aptamers are explored as potent targeted treatment and diagnostic modalities, while in the technological field oligonucleotides have found use in new materials, catalysis, and data storage. The use of natural oligonucleotides limits the possible chemical functionality of resulting technologies while inherent shortcomings, such as susceptibility to nuclease degradation, provide obstacles to their application. Modified oligonucleotides, at the level of the nucleobase, sugar and/or phosphate backbone, are widely used to overcome these limitations. This review provides the reader with an overview of non-native modifications and the challenges faced in the design, synthesis, application and outlook of novel modified oligonucleotides.

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 enseignants0,004
Score d'incertitude au seuil0,015

Scores du classifieur distillé par catégorie (deux têtes)

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

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 Opus0,048
Tête enseignante GPT0,374
Écart entre enseignants0,326 · 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

Citations298
Publié2021
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueChemical Society ReviewsMême sujetAdvanced biosensing and bioanalysis techniquesTravaux en français237 207