MétaCan
Menu
Retour à la cohorte
Enregistrement W4387336749 · doi:10.1117/1.nph.10.4.044410

Characterizing the blood–brain barrier and gut barrier with super-resolution imaging: opportunities and challenges

2023· review· en· W4387336749 sur OpenAlexafffund
Ellen Doney, Renaud Bernatchez, Valérie Clavet-Fournier, Katarzyna Dudek, Laurence Dion‐Albert, Flavie Lavoie‐Cardinal, Caroline Ménard

Notice bibliographique

RevueNeurophotonics · 2023
Typereview
Langueen
DomaineBiochemistry, Genetics and Molecular Biology
ThématiqueCell Image Analysis Techniques
Établissements canadiensUniversité Laval
Organismes subventionnairesFonds de Recherche du Québec - SantéNatural Sciences and Engineering Research Council of CanadaCanada First Research Excellence FundNational Science Foundation
Mots-clésBlood–brain barrierNeuroimagingNeuroscienceComputer scienceData scienceBiologyCentral nervous system

Résumé

récupéré en direct d'OpenAlex

Brain and gut barriers have been receiving increasing attention in health and diseases including in psychiatry. Recent studies have highlighted changes in the blood-brain barrier and gut barrier structural properties, notably a loss of tight junctions, leading to hyperpermeability, passage of inflammatory mediators, stress vulnerability, and the development of depressive behaviors. To decipher the cellular processes actively contributing to brain and gut barrier function in health and disease, scientists can take advantage of neurophotonic tools and recent advances in super-resolution microscopy techniques to complement traditional imaging approaches like confocal and electron microscopy. Here, we summarize the challenges, pros, and cons of these innovative approaches, hoping that a growing number of scientists will integrate them in their study design exploring barrier-related properties and mechanisms.

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 enseignants0,002
Score d'incertitude au seuil0,007

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,001
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0020,001
Bibliométrie0,0020,002
Études des sciences et des technologies0,0000,001
Communication savante0,0020,003
Science ouverte0,0020,001
Intégrité de la recherche0,0020,003
Charge utile insuffisante (le modèle a refusé de juger)0,0020,002

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 Opus0,058
Tête enseignante GPT0,289
Écart entre enseignants0,231 · 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

Citations5
Publié2023
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueNeurophotonicsMême sujetCell Image Analysis TechniquesTravaux en français237 207