MétaCan
Menu
Retour à la cohorte
Enregistrement W4309455294 · doi:10.3390/biophysica2040041

Low-Energy Electron Generation for Biomolecular Damage Inquiry: Instrumentation and Methods

2022· article· en· W4309455294 sur OpenAlexaff
Elahe Alizadeh, Dipayan Chakraborty, Sylwia Ptasińska

Notice bibliographique

RevueBiophysica · 2022
Typearticle
Langueen
DomaineMedicine
ThématiqueRadiation Therapy and Dosimetry
Établissements canadiensQueen's University
Organismes subventionnairesnon disponible
Mots-clésIonizing radiationElectronNanotechnologyRadiationSecondary electronsDNA damagePhysicsDNAMaterials scienceComputer scienceChemistryIrradiationNuclear physicsBiochemistry

Résumé

récupéré en direct d'OpenAlex

Technological advancement has produced a variety of instruments and methods to generate electron beams that have greatly assisted in the extensive theoretical and experimental efforts devoted to investigating the effect of secondary electrons with energies approximately less than 100 eV, which are referred as low-energy electrons (LEEs). In the past two decades, LEE studies have focused on biomolecular systems, which mainly consist of DNA and proteins and their constituents as primary cellular targets of ionizing radiation. These studies have revealed that compared to other reactive species produced by high-energy radiation, LEEs have distinctive pathways and considerable efficiency in inducing lethal DNA lesions. The present work aims to briefly discuss the current state of LEE production technology and to motivate further studies and improvements of LEE generation techniques in relation to biological electron-driven processes associated with such medical applications as radiation therapy and cancer treatment.

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 enseignants0,060
Score d'incertitude au seuil0,294

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 Opus0,021
Tête enseignante GPT0,343
Écart entre enseignants0,322 · 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

Citations15
Publié2022
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueBiophysicaMême sujetRadiation Therapy and DosimetryTravaux en français237 207