Perméabilisation de membranes cellulaires à l'aide d'un laser nanoseconde amplifié par nanoparticules plasmoniques
Bibliographic record
Abstract
REMERCIEMENTSJ'aimerais en premier lieu remercier mon directeur de recherche, Michel Meunier, grâce à qui ce projet fut réalisable.Ses précieux conseils dans toutes les sphères de la recherche, son appui moral et financier ainsi que son excellente équipe de recherche m'ont permis de mener à bien cette maîtrise.Un gros merci à Judith Baumgart qui m'a transmis plusieurs de ses connaissances dans le domaine de la biologie, m'a patiemment guidé au début de mon projet de recherche et m'a apporté une aide continuelle.Je remercie Paul Boyer et David Rioux pour leur aide dans l'élaboration de mes montages et sur le fonctionnement des lasers, Yves Drolet qui m'a apporté un soutient technique constant et qui m'a enjoué au travers de multiples blagues, Étienne Boulais pour l'excellente ambiance dans le bureau et pour ses précisions sur les phenomènes d'interractions laser-NPs.J'ai aussi beaucoup apprécié les conseils et la participation de nos collaborateurs de l'Université McGill, Laure Humbert et Jean-Jacques Lebrun.Je remercie aussi Mathieu Maisonneuve, André-Pierre Blanchard-Dionne, Vincent Latendresse et Nancy Tawil (les plasmons) pour les bons moments passés en leur compagnie.Je tiens ensuite à remercier spécialement mes parents, Denis et Dominique, qui m'ont fièrement supporté tout au long de mes études et qui ont toujours été présents pour moi.Merci à Veronique, ma compagne, d'avoir partagé mes plaintes ou mes excitations par rapport à mes résultats et qui m'a agréablement tenu compagnie durant ces deux années.
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 | 0.000 | 0.000 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.000 | 0.000 |
| Science and technology studies | 0.001 | 0.000 |
| Scholarly communication | 0.001 | 0.001 |
| Open science | 0.001 | 0.000 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.008 | 0.002 |
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".