Notice bibliographique
Résumé
Physical properties like shape, volume and size affect the dynamics of biological systems. Along these lines, we focus on the topological properties of biological fluids and their biochemical and physiological outcomes. We take as a paradigmatic example the salivary fluid and describe how its topological features may affect the physiopathology of the oral cavity. Topological approaches assess the general properties of saliva, ignoring small-scale physical details such as density, flow rate, stiffness, viscosity. Specifically, the mucin aggregates scattered in the salivary fluid can be tackled in terms of topological holes, i.e., vortical clusters that modify the direction, flow, impulse, local rate-of-change and velocity of saliva. While the current methodological approaches are inclined to remove the effects of impurities assessing systems as homogeneous structures, we argue that the occurrence of mucins breaks up the salivary fluid’s homogeneity, leading to unexpected biophysical modifications. We suggest that every collected salivary sample is not reliable for accurate clinical and experimental investigation, since it displays highly local as well as variable chemical, physical and biological features, not reflecting the current physiological state of the oral cavity. Therefore, the assessment of a single salivary sample is not fully reproducible and cannot provide information about the biophysical, enzymatic and microbiological content of the whole saliva. In sum, the very topological features of the saliva - such as volume, shape, antipodal cells, vortex area, whirling fluid mass, segmentation, discretization, triangulation, node numbering - produce unnoticed biological consequences and network connectivity features with intriguing operational implications.
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 enseignantsNi 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.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,002 |
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.
score_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 découleClassification
machine, non validéePrédiction automatique; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».