MétaCan
Menu
Retour à la cohorte
Enregistrement W4283314070 · doi:10.3389/fmolb.2022.903148

Approaches to Using the Chameleon: Robust, Automated, Fast-Plunge cryoEM Specimen Preparation

2022· article· en· W4283314070 sur OpenAlexfundno aff
Talya S. Levitz, Miriam Weckener, Ivan Fong, James H. Naismith, Catherine L. Drennan, Edward J. Brignole, Daniel K. Clare, Michele C. Darrow

Notice bibliographique

RevueFrontiers in Molecular Biosciences · 2022
Typearticle
Langueen
DomaineBiochemistry, Genetics and Molecular Biology
ThématiqueAdvanced Electron Microscopy Techniques and Applications
Établissements canadiensnon disponible
Organismes subventionnairesNational Institute of General Medical SciencesCanadian Institute for Advanced ResearchEngineering and Physical Sciences Research CouncilHoward Hughes Medical InstituteNational Institutes of HealthNational Science Foundation
Mots-clésWorkflowComputer scienceKey (lock)Process (computing)Field (mathematics)Sample (material)NanotechnologyMaterials scienceChemistryDatabaseMathematicsChromatography

Résumé

récupéré en direct d'OpenAlex

The specimen preparation process is a key determinant in the success of any cryo electron microscopy (cryoEM) structural study and until recently had remained largely unchanged from the initial designs of Jacques Dubochet and others in the 1980s. The process has transformed structural biology, but it is largely manual and can require extensive optimisation for each protein sample. The chameleon instrument with its self-wicking grids and fast-plunge freezing represents a shift towards a robust, automated, and highly controllable future for specimen preparation. However, these new technologies require new workflows and an understanding of their limitations and strengths. As early adopters of the chameleon technology, we report on our experiences and lessons learned through case studies. We use these to make recommendations for the benefit of future users of the chameleon system and the field of cryoEM specimen preparation generally.

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)0,009
score de la tête « metaresearch » (Gemma)0,013
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,009
Score d'incertitude au seuil0,049

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0090,013
Méta-épidémiologie (sens strict)0,0010,002
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0020,001
Études des sciences et des technologies0,0020,003
Communication savante0,0040,006
Science ouverte0,0040,005
Intégrité de la recherche0,0020,003
Charge utile insuffisante (le modèle a refusé de juger)0,0090,007

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 Opus0,029
Tête enseignante GPT0,300
Écart entre enseignants0,271 · 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'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

Citations43
Publié2022
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueFrontiers in Molecular BiosciencesMême sujetAdvanced Electron Microscopy Techniques and ApplicationsTravaux en français237 207