اشترك بالحزمة الذهبية واحصل على وصول غير محدود شمرا أكاديميا
تسجيل مستخدم جديدالكشف عن miRNA باستخدام SPR
DETECTION OF miRNA USING SURFACE PLASMON RESONANCE (SPR)
932
0 26
0
(
0
)
تمت اﻹضافة من قبل
Shamra Editor
اسأل ChatGPT حول البحث
تعد MicroRNAs جهة وحيدة غير مشفرة لجزيئات ال RNA القادرة على تنظيم ترجمة البروتين الهدف و بالتالي التحكم بالوظائف البيولوجية, تعتبر miRANs مؤهلة لتكون علامات تشخيصية قادرة على المساعدة في الفحص المبكر عن الأمراض, ففي حالة مرض ما تكون تراكيز ال miRNAs المحددة و المخصصة لهذا المرض متفاوتة الكمية. للكشف عن miRNA نستخدم تقنية ال SPR (جهاز استشعار سطح الرنين البلازمي) و التي تسمح بقياس التفاعلات بين الجزيئات على سطح ما بشكل آني. لهذا الغرض, تثبت عينات ال thiolated LNA على السطح الذهبي للشريحة.
MicroRNAs (miRNAs) are single-stranded, non-coding RNA molecules, which can regulate the translation of target proteins and thereby control biological functions. They qualify as diagnostic markers and can help to detect diseases earlier. In case of a disease the concentrations of specific miRNAs which are characteristic for it do vary in quantity. For the detection of miRNA we are using a surface plasmon resonance (SPR) biosensor, which allows to measure interactions of molecules at an interface in real-time. For this, thiolated LNA capture probes are immobilized on the gold chip.
المراجع المستخدمة
Nguyen, H.H., Park, J., Kang, S., Kim, M., 2015- Surface plasmon resonance: a versatile technique for biosensor applications. Sensors (Basel, Switzerland).15, pp.10481– 10510
Mariani, S., Minunni, M., 2014- Surface plasmon resonance applications in clinical analysis. Analytical and bioanalytical chemistry. 406, pp. 2303–2323
Šípová, H., Homola, J., 2013- Surface plasmon resonance sensing of nucleic acids: a review. AnalyticaChimicaActa. 773, pp. 9–23
قيم البحث
اقرأ أيضاً
اكتشاف التغيير الدلالي المعجمي في مجموعات بيانات أصغر، على سبيل المثالفي اللغويات التاريخية والعلوم الإنسانية الرقمية، تحديا بسبب نقص القوة الإحصائية.يتم تفاقم هذه المشكلة عن طريق نماذج التضمين غير السياقية التي تنتج واحدة من التضمين لكل كلمة، وبالتا
لي، قم بإخفاء التباين الحاضر في البيانات.في هذه المقالة، نقترح نهجا لتقدير التحول الدلالي من خلال الجمع بين تضمين الكلمات السياقية مع الاختبارات الإحصائية القائمة على التقاطات.نحن نستخدم إجراء معدل الاكتشاف الخاطئ لمعالجة العدد الكبير من اختبارات الفرضيات التي يجري تنفيذها في وقت واحد.نوضح أداء هذا النهج في المحاكاة حيث تحقق بدقة عالية باستمرار عن طريق قمع إيجابيات كاذبة.كلفنا تحليل بيانات العالم الحقيقي من مهمة Semeval-2020 1 و Liverpool FC SubRedDit Corpus.نظرا لأنه من خلال أخذ التباين العينة في الاعتبار، يمكننا تحسين متانة تقديرات التحول الدلالي الفردي دون مهينة الأداء العام.
تركز طرق تعلم الجهاز لتحليل المستندات المالية بشكل رئيسي على الجزء النصي.ومع ذلك، فإن الأجزاء العددية من هذه المستندات غنية أيضا بمحتوى المعلومات.من أجل تحسين تحليل النص المالي، يجب علينا أن نحقق المعلومات الرقمية في العمق.في ضوء ذلك، فإن الغرض من هذ
ا البحث هو تحديد الارتباط بين CASCTAG المستهدف والأرقام المستهدفة في التغريدات المالية، التي تعد أكثر تحديا من تحليل الأخبار والوثائق الرسمية.في هذا البحث، قمنا بتطوير نهج خلط متعدد النماذج يدمج تمثيلات تشفير ثنائية الاتجاه من المحولات (بيرت) والشبكة العصبية التنافعية (CNN).نحن أيضا ترميز معلومات التبعية خلف النص إلى النموذج لاستخلاص الميزات الكامنة الدلالية.تظهر النتائج التجريبية أن نموذجنا يمكنه تحقيق أداء رائع ومقارنات تفوق.
تقدم هذه الورقة واحدة من أفضل خمس حلول الفوز للمهمة المشتركة بشأن السخرية والكشف عن المعنويات باللغة العربية (الكشف عن السخرية SubTask-1).الهدف من المهمة هو تحديد ما إذا كانت سقسقة الساخرة أم لا.تم تطوير حلنا باستخدام تقنية فرقة مع نموذج أرابت المدرب
مسبقا.نحن نصف الهندسة المعمارية للحل المقدم في المهمة المشتركة.نحن نقدم أيضا التجارب وضبط فرط الحرارة الذي يؤدي إلى هذه النتيجة.بالإضافة إلى ذلك، نناقش النتائج وتحليلها من خلال مقارنة جميع النماذج التي تدربناها أو اختبارها لتحقيق درجة أفضل في تصميم الطاولة.يحتل نموذجنا في المرتبة الخامسة من 27 فريقا مع درجة F1 من 0.5985.تجدر الإشارة إلى أن نموذجنا حقق أعلى درجة من الدقة 0.7830
في هذه الورقة، نصف نهجنا تجاه استخدام النماذج المدربة مسبقا لمهمة الكشف عن الكلام الأمل.شاركنا في المهمة 2: الكشف عن الكلام للأمل للتساوي والتنوع والإدماج في LT-EDI-2021 @ EACL2021.الهدف من هذه المهمة هو التنبؤ بحضور خطاب الأمل، إلى جانب وجود العينات
التي لا تنتمي إلى نفس اللغة في مجموعة البيانات.نحن نصف نهجنا لضبط روبرتا من أجل الكشف عن الكلام على الأمل باللغة الإنجليزية ونهجنا لضبط XLM-Roberta من أجل الكشف عن الكلام في التاميل والمالايالام، وهو لغتين منخفضان من الموارد.نوضح أداء نهجنا على تصنيف النص في الأمل، غير الأمل وغير اللغة.تصنيفنا في المرتبة الأولى في اللغة الإنجليزية (F1 = 0.93)، الأول في التاميل (F1 = 0.61) و 3 في مالايالام (F1 = 0.83).
حققت نماذج المحولات الحديثة أداء قويا على مجموعة متنوعة من مهام NLP.توظف العديد من هذه الأساليب مهام التدريب المرجعية للمجال لتدريب النماذج التي تسفر عن تمثيلات جماعية عالية للغاية يمكن أن تكون ذات صقل مهام محددة في المصب.نقترح تكرير نموذج NLP المدرب
مسبقا باستخدام هدف الكشف عن الرموز المخلوطة.نستخدم نهج متسلسل من خلال بدء تشغيل نموذج روبرتا المدرب مسبقا وتدريبه باستخدام نهجنا.تطبيق استراتيجية خلط عشوائية على مستوى الكلمة، وجدنا أن نهجنا يتيح لنموذج روبرتا يحقق أداء أفضل في 4 من أصل 7 مهام الغراء.تشير نتائجنا إلى أن تعلم الكشف عن الرموز المنفصلة هو نهج واعد لمعرفة المزيد من تمثيلات الجملة متماسكة.
سجل دخول لتتمكن من نشر تعليقات
التعليقات
جاري جلب التعليقات
سجل دخول لتتمكن من متابعة معايير البحث التي قمت باختيارها
