Comparative efficacy of five different rep-PCR methods to discriminate Escherichia coli populations in aquatic environments
Notice bibliographique
Résumé
Development of efficient techniques to discriminate the sources of E. coli in aquatic environments is essential to improve the surveillance of fecal pollution indicators, to develop strategies to identify the sources of fecal contamination, and to implement appropriate management practices to minimize gastrointestinal disease transmission. In this study the robustness of five different rep-PCR methods, such as REP-PCR, ERIC-PCR, ERIC2-PCR, BOX-PCR and (GTG)(5)-PCR were evaluated to discriminate 271 E. coli strains isolated from two watersheds (Lakelse Lake and Okanagan Lake) located in British Columbia, Canada. Cluster analysis of (GTG)(5)-PCR, BOX-PCR, REP-PCR, ERIC-PCR and ERIC2-PCR profiles of 271 E. coli revealed 43 clusters, 35 clusters, 28 clusters, 23 clusters and 14 clusters, respectively. The discriminant analysis of rep-PCR genomic fingerprints of 271 E. coli isolates yielded an average rate of correct classification (watershed-specific) of 86.8%, 82.3%, 78.4%, 72.6% and 55.8% for (GTG)(5)-PCR, BOX-PCR, REP-PCR, ERIC-PCR and ERIC2-PCR, respectively. Based on the results of cluster analysis and discriminant function analysis, (GTG)(5)-PCR was found to be the most robust molecular tool for differentiation of E. coli populations in aquatic environments.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,006 | 0,010 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».