Application of a Simple Method to Study Single-Particle Bioaerosols Including Preferential Aerosolization
Notice bibliographique
Résumé
Bacteria, viruses, fungus, and other biological components (toxins, membranes, spores) can spread in the air through various aerosolization processes (breathing, bubbling, explosion, evaporation) and travel until they reach a surface or a host. Nosocomial diseases are an example of illnesses caused by a human contact with such pathogen vectors in hospital settings. Very little is known about the aerosolization processes of viruses and bacteria and their potential to infect people after their passage in the airborne state and about the microbial burden carried by individual aerosol particles. Here we propose a novel approach to study the aerosolization mechanisms of bacteria in single particles using fluorescence spectroscopy and a homemade system allowing the control of the aerosolization and the impaction of bacteria on a black filter. We validated the concept using P. fluorescence and E. coli. The results show that independently of the amount of P. fluorescens and E. coli aerosolized the average distribution of cells impacted on a black filter is described by a Poisson fit with λ ∼ 0.6 ± 0.2. This means that using this aerosolization process, an aerosol will present no bacterium, but when it does, the number of bacteria per particle in the distributions will more probably be one. We also observed that the aerosolization processes of these two bacterial species allow P. fluorescens to be preferentially aerosolized against E. coli. These results demonstrate that fluorescence spectroscopy is a powerful tool to study bioaerosols in single particles. This technique can be used to study several phenomena like preferential aerosolization.Copyright 2015 American Association for Aerosol Research
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 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| 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) | 0,000 | 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 ».