MétaCan
Menu
Retour à la cohorte
Enregistrement W4390977381 · doi:10.1152/ajprenal.00347.2023

Guidelines on antibody use in physiology research

2024· article· en· W4390977381 sur OpenAlexafffund
Heddwen L. Brooks, Lisandra E. de Castro Brás, Keith R. Brunt, Megan A. Sylvester, Michelle S. Parvatiyar, Padmini Sirish, Shyam S. Bansal, Rasheed Sule, Ashley L. Eadie, Mark A. Knepper, Robert A. Fenton, Merry L. Lindsey, Kristine Y. DeLeon‐Pennell, Aldrin V. Gomes

Notice bibliographique

RevueAmerican Journal of Physiology-Renal Physiology · 2024
Typearticle
Langueen
DomaineEngineering
ThématiqueMicrofluidic and Bio-sensing Technologies
Établissements canadiensSaint John Regional HospitalDalhousie University
Organismes subventionnairesNational Heart, Lung, and Blood InstituteGovernment of CanadaNovo Nordisk FondenNational Institute of General Medical SciencesAmerican Heart AssociationNational Institute of Environmental Health SciencesCanadian Institutes of Health ResearchU.S. Department of Veterans Affairs
Mots-clésGuidelineComputer scienceData sciencePhysiologyMedicinePathology

Résumé

récupéré en direct d'OpenAlex

Antibodies are one of the most used reagents in scientific laboratories and are critical components for a multitude of experiments in physiology research. Over the past decade, concerns about many biological methods, including those that use antibodies, have arisen as several laboratories were unable to reproduce the scientific data obtained in other laboratories. The lack of reproducibility could be largely attributed to inadequate reporting of detailed methods, no or limited verification by authors, and the production and use of unvalidated antibodies. The goal of this guideline article is to review best practices concerning commonly used techniques involving antibodies, including immunoblotting, immunohistochemistry, and flow cytometry. Awareness and integration of best practices will increase the rigor and reproducibility of these techniques and elevate the quality of physiology research.

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)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict)
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 enseignants0,382
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0020,002
Études des sciences et des technologies0,0000,002
Communication savante0,0000,000
Science ouverte0,0010,000
Intégrité de la recherche0,0000,002
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 Opus0,063
Tête enseignante GPT0,363
Écart entre enseignants0,300 · 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.

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
Publié2024
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueAmerican Journal of Physiology-Renal PhysiologyMême sujetMicrofluidic and Bio-sensing TechnologiesTravaux en français237 207