A multi-criteria decision-making approach for comparing sample preservation and DNA extraction methods from swine feces
Notice bibliographique
Résumé
Molecular microbiological methods, such as competetive PCR, real-time PCR, denaturing gradient gel electrophoresis (DGGE) and large-scale parallel-pyrosequencing, require the extraction of sufficient quantity of high quality DNA from microbiologically and chemically complex matrices. Due to difficulties in the field to standardize/select the optimum DNA preservation-extraction methods in view of laboratories differences, this article attempts to present a straight-forward mathematical framework for comparing some of the most commonly used methods. To this end, as a case study, the problem of selecting an optimum sample preservation-DNA extraction strategy for obtaining total bacterial DNA from swine feces was considered. Two sample preservation methods (liquid nitrogen and RNAlater?) and seven extraction techniques were paired and compared under six quantitative DNA analysis criteria: yield of extraction, purity of extracted DNA (A260/280 and A 260/230 ratios), duration of extraction, degradation degree of DNA, and cost. From a practical point of view, it is unlikely that a single sample preservation-DNA extraction strategy can be optimum for all selected criteria. Hence, a systematic multi-criteria decision-making (MCDM) approach was used to compare the methods. As a result, the ZR Fecal DNA MiniPrepTM DNA extraction kit for samples preserved either with liquid nitrogen or RNAlater? were identified as potential optimum solutions for obtaining total bacterial DNA from swine feces. Considering the need for practicality for in situ applications, we would recommend liquid nitrogen as sample preservation method, along with the ZR Fecal DNA MiniPrepTM kit. Total bacterial DNA obtained by this strategy can be suitable for downstream PCR-based DNA analyses of swine feces.
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 | 0,000 |
| 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 | 0,000 |
| 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 ».