Étude de la barrière hématoencéphalique dans des modèles animaux de la maladie d'Alzheimer
Bibliographic record
Abstract
APPAmyloid precursor protein/ La protéine précurseur de l'amyloïde Je voudrais profiter de ces quelques lignes pour remercier des gens qui ont eu un grand effet pendant ma vie et plus particulièrement durant ma thèse.J'aimerais d'abord remercier Dr Frédéric Calon pour m'avoir accueilli dans son laboratoire, pour m'avoir confié des projets très intéressants et pour m'avoir donné l'opportunité de parfaire mon expérience et d'appliquer mon savoir-faire dans plusieurs projets.Un grand merci pour votre support pendant ma thèse, pour m'avoir appris les analyses scientifiques et l'art de la recherche.Pour moi, être chercheur scientifique c'est adopter la philosophie et la méthodologie du Dr Frédéric Calon.Ainsi, je voudrais remercier les membres du jury, Dre Reina Bendayan, Dre Marie-Eve Tremblay et Dr Eric Biron, pour avoir accepté avec générosité d'accorder le temps et l'effort pour évaluer ma thèse.Je tiens également à remercier Dre Fanchon Bourasset pour m'avoir encadré pendant mon stage de master en France, en plus de m'avoir mis en contact avec Dr Frédéric Calon et de m'avoir poussé à accomplir mon doctorat au Canada.J'aimerais profiter de cette occasion pour remercier la grande chercheuse et la bonne amie, la Dre Francesca Cicchiti, qui m'a toujours considéré comme un bon ami, pour sa gentillesse et pour tous les services qu'elle m'a offerts.J'aimerais remercier vivement, mon collègue, mon ami, mon deuxième encadrant de stage, Tuan Minh Do.Je te remercie pour tout ce que tu m'as appris, et spécialement pour la technique de la perfusion cérébrale in situ.
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 | 0.001 | 0.001 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.000 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.002 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.003 | 0.001 |
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".