PCR‐Based Diversity Estimates of Artificial and Environmental 18S rRNA Gene Libraries
Notice bibliographique
Résumé
Environmental clone libraries constructed using small subunit ribosomal RNA (rRNA) or other gene-specific primers have become the standard molecular approach for identifying microorganisms directly from their environment. This technique includes an initial polymerase chain reaction (PCR) amplification step of a phylogenetically useful marker gene using universal primers. Although it is acknowledged that such primers introduce biases, there have been few studies if any to date systematically examining such bias in eukaryotic microbes. We investigated some implications of such bias by constructing clone libraries using several universal primer pairs targeting rRNA genes. Firstly, we constructed artificial libraries using a known mix of small cultured pelagic arctic algae with representatives from five major lineages and secondly we investigated environmental samples using several primer pairs. No primer pair retrieved all of the original algae in the artificial clone libraries and all showed a favorable bias toward the dinoflagellate Polarella glacialis and a bias against the prasinophyte Micromonas and a pennate diatom. Several other species were retrieved by only one primer pair tested. Despite this, sequences from nine environmental libraries were diverse and contained representatives from all major eukaryotic clades expected in marine samples. Further, libraries from the same sample grouped together using Bray-Curtis clustering, irrespective of primer pairs. We conclude that environmental PCR-based techniques are sufficient to compare samples, but the total diversity will probably always be underestimated and relative abundance estimates should be treated with caution.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,002 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».