Comparison of RNA Extraction Methods for the Detection of a Norovirus Surrogate in Ready-to-Eat Foods
Notice bibliographique
Résumé
Four nucleic acid extraction methods were evaluated for the purpose of quantifying a norovirus surrogate (murine norovirus [MNV-1]) concentrated from different food samples. Simple (strawberries and lettuce) and complex (sliced turkey breast, soft-shell clams, and potato salad) food matrices were inoculated with a viral suspension containing high (4×10(5) PFU) or low (4×10(3) PFU) numbers of viral particles. MNV-1 was eluted using either the Pulsifier™ or repetitive pipetting. The four methods were based on using magnetic silica (MiniMAG), non-magnetic silica (bioMérieux Basic kit), silica membrane (Qiagen kit), and phenol (TriReagent) for RNA extraction. The greatest recovery of viral RNA from simple matrices was obtained using magnetic silica for both inoculation levels. For strawberries, the addition of pectinase during the elution step improved RNA recovery when the Pulsifier was used with silica membrane extraction and when repetitive pipetting was used with magnetic silica extraction. In the case of complex matrices, the extraction of high or low numbers of MNV-1 was highest overall using magnetic silica. The exception was soft-shell clams with a high viral load, in which the greatest recovery was obtained with the phenol-based method. In general, magnetic silica was the most effective for extracting both high and low numbers of MNV-1 particles from a wide range of foods.
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) | 0,000 | 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 ».