Tjáning ónæmisgena í þorsklirfum mæld með RT-qPCR
Bibliographic record
Abstract
Þorskeldi er vaxandi atvinnugrein í heiminum. Árið 2009 var framleiðsla á eldisþorski um það bil 18000 tonn í Noregi, 1000 tonn í Bandaríkjunum og Canada og um það bil 2000 tonn á Íslandi. Meðal helstu vandamála sem atvinnugreinin glímir við er það hversu hátt hlutfall lirfa deyr á fyrstu stigum eldisins eða fram að þeim tíma þegar hægt er að bólusetja lirfurnar. Á fyrsta tímabilinu eftir klak er áunnin ónæmisvörn ekki til staðar og þurfa lirfurnar því eingöngu að treysta á ósérhæfða ónæmiskerfið í baráttu sinni gegn utanaðkomandi sýklum. Með því að finna leiðir til að efla svörun ónæmiskerfisins á þessum fyrstu lirfustigum er talinn möguleiki á að auka megi lífslíkur þeirra. \nMarkmið þessa verkefnis var að mæla tjáningu á tveimur genum sem tengjast ósérhæfðri ónæmissvörun lirfanna, þ.e. IgM og lysozyme. Sýni voru tekin á tveimur mismunandi tímapunktum þ.e 10 dögum og 26 dögum eftir klak, af lirfum sem fóðraðar höfðu verið með lifandi fæðudýrum sem höfðu verið næringarbætt með ufsapeptíðum í tveimur mismunandi meðhöndlunarskömmtum. Til samanburðar voru lirfur sem fengið höfðu hefðbundin fæðudýr. \nNotast var við RT-qPCR aðferðina við magngreiningu á tjáningu IgM og lysozyme. Ubiquitin var notað sem samanburðargen við mat á tjáningu genanna. \nNiðurstöður rannsóknarinnar benda til þess að fóðrun lirfanna með peptíðbættum fæðudýrum auki tjáningu á bæði IgM og lysozyme. \nLykilorð: þorsklirfur, ósérhæfð ónæmissvörun, IgM, lysozyme, RT-qPCR
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.004 | 0.005 |
| Meta-epidemiology (narrow) | 0.003 | 0.002 |
| Meta-epidemiology (broad) | 0.003 | 0.003 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.002 | 0.002 |
| Scholarly communication | 0.005 | 0.003 |
| Open science | 0.002 | 0.003 |
| Research integrity | 0.003 | 0.006 |
| Insufficient payload (model declined to judge) | 0.072 | 0.042 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".