The Need for Harmonization in Detection of Human Noroviruses in Food
Notice bibliographique
Résumé
Noroviruses (NoV) have been recognized worldwide as a leading cause of foodborne gastroenteritis over the last decade. A broad range of foods- shellfish, fresh produce, and ready-to-eat/catered foods-has been implicated in NoV foodborne outbreaks. The recognition of NoV as an important food pathogen has been aided by the development of sensitive molecular methods for detection of the NoV genome. However, despite advances, NoV detection is still hampered by several limitations. First, NoV detection can often only be implemented by expert laboratories due to the complexity of the virus extraction step, which in most protocols is cumbersome and labor-intensive. Moreover, a very wide selection of automated methods for virus extraction from foods is available, so selection of an adequate method is not straightforward. On the other hand, automated systems have been made available or the RNA purification and real-time RT-PCR (RT-qPCR) is considered the gold standard for detection of NoV. Second, correct interpretation of real-time PCR results is often difficult. From a technical point of view, the interpretation of the often nonsigmoidal amplification curves remains difficult, even for experts. From a food safety perspective, interpretation of very high Cq (or Ct) values-and thus, of low viral genomic copy numbers-is not straightforward, as RT-(q)PCR merely detects the presence of viral genomic material that is not necessarily linked to the presence of infectious viral particles. Despite efforts, both limitations have not completely resolved thus far. Harmonization may be a first step to comprehend and deal with these limitations. The current review provides an overview of a number of validated methods that have been published by food safety and other authorities.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 ».