Notice bibliographique
Résumé
The 2023 Nobel Prize in Physiology and Medicine was awarded jointly to Katalin Karikó and Drew Weissman for their contributions to the development of mRNA vaccines against COVID-19. Dr. Karikó obtained her doctoral degree from the University of Szeged before moving to the United States and obtaining the position of an adjunct professor at the University of Pennsylvania.1 Dr. Weissman obtained an M.D. and a Ph.D. degree at Boston University and subsequently obtained a faculty position at the Perelman School of Medicine at the University of Pennsylvania. The two researchers met during their shared time at the University of Pennsylvania and collaborated in exploring mechanisms in which mRNA can be used to stimulate immunity development in the body.2 By modifying nucleotides in mRNAs, the pair discovered that the subsequent introduction of mRNAs into cells led to reduced inflammatory responses and increased immune protein production. Before the COVID-19 pandemic, most vaccines stimulated immune responses via attenuated viruses, proteins, or viral genetic code-carrying vectors. These vaccines, while effective, required substantial resources to produce the number of cell cultures needed to synthesize adequate supplies of vaccine to combat pandemics, such as COVID-19.3 Contrastingly, mRNA vaccines can be prepared without cell cultures through in vitro transcription and nucleotides can be modified to adapt to mutating pathogens - flexibilities that allowed more than 12 billion COVID-19 vaccines to be produced and administered in less than three years of the start of the pandemic.4,5
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 | 0,006 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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.
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; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».