MétaCan
Menu
Retour à la cohorte
Enregistrement W4309162880 · doi:10.1039/d2lc00798c

Ultrathroughput immunomagnetic cell sorting platform

2022· article· en· W4309162880 sur OpenAlexaff
David Philpott, Kangfu Chen, Randy Singh Atwal, Derek Li, Jessie Christie, Edward H. Sargent, Shana O. Kelley

Notice bibliographique

RevueLab on a Chip · 2022
Typearticle
Langueen
DomaineEngineering
ThématiqueMicrofluidic and Bio-sensing Technologies
Établissements canadiensUniversity of Toronto
Organismes subventionnairesnon disponible
Mots-clésSortingComputer scienceComputational biologyChemistryBiologyAlgorithm

Résumé

récupéré en direct d'OpenAlex

High-throughput phenotypic cell sorting is critical to the development of cell-based therapies and cell screening discovery platforms. However, current cytometry platforms are limited by throughput, number of fractionated populations that can be isolated, cell viability, and cost. We present an ultrathroughput microfluidic cell sorter capable of processing hundreds of millions of live cells per hour per device based on protein expression. This device, a next-generation microfluidic cell sorter (NG-MICS), combines multiple technologies, including 3D printing, reversible clamp sealing, and superhydrophobic treatments to create a reusable and user-friendly platform ready for deployment. The utility of such a platform is demonstrated through the rapid isolation of mature natural killer cells from peripheral blood mononuclear cells, for use in CAR-NK therapies at clinically-relevant scale.

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: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,124
Score d'incertitude au seuil0,492

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 Opus0,011
Tête enseignante GPT0,186
Écart entre enseignants0,175 · 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

Citations10
Publié2022
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueLab on a ChipMême sujetMicrofluidic and Bio-sensing TechnologiesTravaux en français237 207