MétaCan
Menu
Retour à la cohorte
Enregistrement W4225156228 · doi:10.3390/polym14091806

Carbohydrate-Binding Modules of Potential Resources: Occurrence in Nature, Function, and Application in Fiber Recognition and Treatment

2022· review· en· W4225156228 sur OpenAlexaff
Yena Liu, Peipei Wang, Jing Tian, Farzad Seidi, Jiaqi Guo, Wenyuan Zhu, Huining Xiao, Junlong Song

Notice bibliographique

RevuePolymers · 2022
Typereview
Langueen
DomaineBiochemistry, Genetics and Molecular Biology
ThématiqueEnzyme Production and Characterization
Établissements canadiensUniversity of New Brunswick
Organismes subventionnairesNational Natural Science Foundation of China
Mots-clésCarbohydrate-binding moduleFunction (biology)Domain (mathematical analysis)Substrate (aquarium)Molecular recognitionBiochemical engineeringFiberComputer scienceGlycoside hydrolaseMaterials scienceChemistryBiochemistryBiologyEngineeringMathematicsEnzymeCell biologyOrganic chemistryMoleculeComposite material

Résumé

récupéré en direct d'OpenAlex

Great interests have recently been aroused in the independent associative domain of glycoside hydrolases that utilize insoluble polysaccharides-carbohydrate-binding module (CBM), which responds to binding while the catalytic domain reacts with the substrate. In this mini-review, we first provide a brief introduction on CBM and its subtypes including the classifications, potential sources, structures, and functions. Afterward, the applications of CBMs in substrate recognition based on different types of CBMs have been reviewed. Additionally, the progress of CBMs in paper industry as a new type of environmentally friendly auxiliary agent for fiber treatment is summarized. At last, other applications of CBMs and the future outlook have prospected. Due to the specificity in substrate recognition and diversity in structures, CBM can be a prosperous and promising 'tool' for wood and fiber processing in the future.

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)0,000
score de la tête « metaresearch » (Gemma)0,000
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 seuil0,010

Scores du classifieur distillé par catégorie (deux têtes)

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

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 Opus0,021
Tête enseignante GPT0,265
Écart entre enseignants0,244 · 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

Citations50
Publié2022
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revuePolymersMême sujetEnzyme Production and CharacterizationTravaux en français237 207